人类表情在非语言性的情绪表达方面起着重要作用,包含宏观表情和微表情两大类。宏观表情更为人们所熟知,脸部肌肉运动有较大幅度,能清晰辨别出具体的表情类别。微表情研究相对较新,不同于传统的宏观表情,微表情持续时间一般为1/25到1/3秒之间,难以提取最佳的运动特征表达,是人们自发产生的微弱情绪表达。微表情分析在社会安全、刑事侦查等领域有着较大的应用潜力,作为人类心理活动最真实的反应,越来越受到人们的关注。虽然微表情持续时间非常短,很难被人察觉,但包含着丰富的情感信息。宏观表情可伪造、可抑制,难以反映人们的真实情感,微表情不能自主地被压抑,不受人为控制,有着更高的客观性,作为一种自发式的表情揭示了人类所隐藏的真实情感。研究微表情对于心理学、临床医学等相关学科有着较大的推动作用,虽然目前对人脸宏观表情研究成果丰硕,但微表情分析的研究目前仍非常有限,有很大的发展空间。在早期微表情研究中严重依赖专家经验,研究者提出一些辅助性的微表情训练工具来检测和识别微表情,但成本过高、识别率过低使得在现实中难以被实际应用。之后随着学术界一些微表情数据库的建立和发布,研究者们在公开的数据集上进行了大量的实验验证来分析微表情。近些年,深度学习技术在宏观表情分类等领域发挥出比传统方法更大的优势。许多基于神经网络端到端的模型已经应用于微表情识别领域。基于深度学习的特征提取方法避免了专业化和繁琐的手工特征设计,可以自动捕捉和分类微表情,能提取出微表情的有效特征和细微变化。尽管近些年深度学习使得微表情识别准确率有很大的提高,目前仍有很大的改进空间以及许多未解决的开放问题。本文针对微表情识别领域所存在的问题,提出对应解决方案。本文的主要研究内容如下:1)提出了针对微表情视频序列的一系列预处理方法。大部分基于深度学习的微表情识别算法通常直接进行端到端的网络训练,而忽略了输入网络前预处理过程中更多的特征提取和分析。对此本文完成了从原始微表情数据库图片到网络输入特征图的完整预处理过程,本文应用了最新的人脸对齐研究工作,探索了视频运动放大技术,创新地对脸部微弱运动所产生的光流特征进行不同组合。2)设计了一种改进的残差网络单元,融合了针对微表情数据的空间注意模块到深度网络中,来应对微表情识别的挑战,在本文所提出的识别模型中利用注意力机制来学习更细微的特征,实验证明改进的残差单元的叠加组合是能够提取到脸部微弱运动区域的特征,每个改进的残差模块能够专注于面部感兴趣的区域,与面部微表情识别的常规方法对比,有着更卓越的性能。3)针对微表情识别算法准确率较低的问题,提出一个新颖的传统特征提取和深度学习相结合的分类模型,提出了基于Res Net残差模块叠加的双分支网络架构,能够对输入的光流特征的不同组合组件进一步捕获微表情序列的相关特征,得到较好的分类结果。同时本文所采用的较浅的网络单元堆叠,在保证网络模型性能良好的同时,也减小了网络模型的大小。在公开的微表情数据集上通过定量分析和定性分析均验证了本文所提出模型的有效性。