人脸表情识别在当今社会的很多领域都是一个非常热门的研究课题,尤其是在模式识别、人工智能领域。如果想让计算机能像人类一样表达情感,拥有智能,那么首先计算机必须能够理解人的情感。由于人脸表情中包含丰富的个人情感信息,因此人脸表情识别是计算机智能化必不可少的组成部分,目前该领域也吸引了大量的研究人员参与研究。由于人脸表情识别研究的复杂度较高,虽然各国学者提出了很多算法理论提高了识别率,但是表情识别领域仍然有很多问题亟待解决。传统的表情识别方法需要人工定义特征,人为的提取合适的特征,这样一来增加了大量的人为因素干扰,给表情识别带来了不确定性。深度学习(Deep Learning)是人工神经网络的一种,随着计算机的发展,多层神经网络训练问题一定程度上得到了解决,加上各种网络结构的提出并在图像分类识别,语音识别等领域得到了证明,深度学习掀起了新的研究热潮。深度学习已经被证明能够发现高维数据中的复杂结构,因此其在科学、商业、医疗等领域都将会有广泛的应用。本文主要工作及创新点如下:1、将经典的LeNet-5卷积神经网络应用到人脸表情识别中,由于目前还没有一种通用的网络结构可以很好的解决所有的问题,所以在数字库上表现优异的LeNet-5卷积神经网络在人脸表情识别中效果并不理想,在JAFFE表情库和CK+表情库中进行实验分别只能获得61.97%和32.32%的正确率。2、对LeNet-5网络进行改进,提出跨连接LeNet-5网络的面部表情识别算法,该算法能够将网络的低层次特征与高层次特征结合起来做为分类器的输入,提高了识别率。用该模型结构在JAFFE表情库和CK+表情库上分别能够得到94.37%和83.47%的正确率。3、为了理解卷积神经网络进行识别分类的中间过程,以及卷积神经网络向深层传播过程中提取的是什么样的特征,本文使用反卷积方法对卷积神经网路进行重构和理解,比较了两种不同的反卷积方法的效果,最终Zeiler等提出的反卷积方法对于本文网络的重构及理解有更好的表达效果。