随着人工智能技术的不断进步,人脸表情识别作为一种生物识别技术在计算机视觉和模式识别等领域得到了广泛的关注。研究人脸表情可以使机器更准确地理解人类的情感并做出相应的响应,从而促进更好的人机交互。目前二维人脸表情识别技术已经逐渐走向成熟,但是二维图像易受到光照和姿态变化等非可控因素的影响,极大地限制了二维人脸表情识别在实际场景中的应用。三维人脸图像由于包含面部空间几何信息,因此对光照和姿态变化具有鲁棒性,克服了二维人脸图像所面临的固有问题,具有较高的实用性。本文主要对非可控条件下的三维人脸表情识别进行了研究,主要研究内容包括:(1)研究了一种基于单张图像的三维人脸表情重建方法,该方法基于形变模型理论,利用级联卷积神经网络模型回归人脸形变参数,基于学习到的参数进行三维人脸表情拟合。实验使用具有多种表情变化和姿态变化的二维人脸图像进行三维重建,验证了该方法的有效性。(2)提出了一种跨姿态变化的三维人脸表情识别方法,首先利用三维人脸姿态增强方法对三维人脸数据库进行数据扩充,与此同时,引入了丰富的姿态变化;然后将所有的三维人脸模型构建为灰度归一化的深度图像;最后设计了一种卷积神经网络模型作为特征提取器自动从深度图像中学习特征表示,实现端到端的分类识别。实验结果表明该方法对一定范围内的姿态变化具有鲁棒性。(3)设计了一种改进的卷积神经网络模型,将卷积核为5×5的卷积层替换为两个连续的卷积核为3×3的卷积层,连续卷积进行了两次特征激活,进而增加了模型的非线性表达能力。通过实验验证了该方法的有效性,在不损失识别精度的前提下精简了网络参数,模型的训练速度提升了35%。(4)本文的卷积神经网络模型采用交叉熵损失函数和中心损失函数共同作为监督信号进行参数更新,实现人脸表情的类间差异最大化和类内差异最小化的目标,使得模型具有更强的判别能力。实验结果表明,加入中心损失函数后,模型的过拟合问题得到缓解,识别率提高了约4%。