近些年来,随着机器学习和深度神经网络两个领域的迅速发展以及智能设备的普及,人脸表情识别技术正在经历前所未有的发展,基于深度卷积神经网络的人脸表情识别算法取得了长足的进步,并且已经超越了传统的人脸表情识别算法。同时,5G时代的到来以及大规模普及的软硬件基础条件也已具备,基于这种方法的市场与应用前景十分广阔。然而深度卷积神经网络存在着自身的局限,随着网络结构变得愈加复杂,训练参数量也与之增加,使用网络进行训练或推理需要更大的计算开销和内存开销,这使得深度卷积神经网络很难走出实验室,应用于计算存储资源有限的硬件设备中。针对这一问题,本文基于知识蒸馏网络方法研究了人脸表情识别网络的模型压缩方法。主要概括为以下几个方面:1)对人脸表情识别网络进行知识蒸馏网络训练。首先对人脸表情数据集进行预处理,提取并分割其中的人脸图像,然后选取教师模型进行训练,最后使用训练好的教师模型对学生模型进行知识蒸馏网络训练,验证了知识蒸馏网络的方法在人脸表情识别领域的可行性。2)提出了对知识蒸馏网络的改进方法。针对教师模型在知识蒸馏后期会影响学生模型的性能这一问题,提出了一种提前终止知识蒸馏的训练方法,只在训练前期使用教师模型指导学生模型进行知识蒸馏训练。利用教师模型的性能差异,提出了多个教师多步指导学生模型进行知识蒸馏训练的方法,每个阶段只使用一个教师模型指导蒸馏训练,通过性能逐步递进的教师模型,使得学生模型逐步学习不同层次的知识,有效提升学生模型的性能与泛化能力。3)人脸表情识别网络的部署。搭建神经网络实际部署的开发环境,转换神经网络模型并导入预训练参数,在Mind Studio中设计完成人脸表情识别任务的应用并部署到Atlas 200 DK开发者套件上。