表情是人类表达情感和进行社交的重要方式,人脸表情自动识别在自动驾驶、辅助医疗、智能控制等人机交互任务中应用广泛。近年来随着深度学习技术的发展,人脸表情识别研究取得了显著的进展,但是现实场景下的人脸表情识别仍然受到遮挡、姿势变化和背景干扰等因素的影响,识别准确率仍有待进一步提高。本文以残差网络为基本架构,引入联合正则化、注意力机制以及二阶池化层等优化措施,改进了人脸表情识别方法,在公开数据集上进行了测试和验证,结果表明,改进后的模型具有较高的准确率和鲁棒性;此外,进行了人脸表情识别交互页面的设计与实现。主要内容包括:（1）以残差网络为基本框架,将过滤器响应正则化与批量正则化、实例正则化和组正则化、组正则化和批量正则化分别嵌入网络之中,提出了联合优化策略,弥补单一优化的不足,尽可能保留有效的特征信息,平衡和改善特征数据分布,弥补单一正则化的弱点,提升模型性能,在FER2013数据集上取得了73.558%的准确率,在CK+数据集上取得了94.9%的准确率,验证了所提方法的有效性。（2）以残差网络为基本架构,在联合正则化基础上,引入卷积模块注意力机制（CBAM）,提取通道和空间上具有强表达能力的特征,并且减小无关特征的权重,进而提高模型的准确率,在FER2013数据集和CK+数据集上分别取得了73.753%和95.7%的准确率,展现了较好的竞争力。（3）基于残差网络,融合了瓶颈注意力机制以及全局二阶池化层,其中瓶颈注意力机制使网络专注于表情重要特征的提取,全局二阶池化层使网络可以充分利用图像中的二阶统计量信息来探索表情特征之间的相关性,在此基础上通过联合正则化策略,平衡和改善特征数据分布情况,提高表情识别准确率,在FER2013数据集、CK+数据集和SFEW2.0数据集上其准确率分别达到了74.227%、95.8%和56.1%,性能优于诸多现存的主流方法。结果表明,所提出模型具有较好的准确性和鲁棒性。