在人类日常生活中,面部表情在非言语信息传递上,扮演着重要的角色。随着人工智能的迅速发展,面部表情识别（Facial Expression Recognition,FER）的研究在心理学、计算机视觉和模式识别领域获得了丰硕的成果。此外面部表情的自动识别在人机交互领域发挥着重要作用,在人工智能和物联网技术快速发展的时代,如果机器人能够自动识别人类面部表情,那将会极大地促进人机交互的发展。因此实现人脸表情的自动识别具有重要的研究意义。随着计算机视觉技术不断进步,在工业界的应用也越来越广泛,表情识别在其中扮演的角色也越来越重要,对表情识别所提出的要求也越来越高。尤其在移动互联网时代,为了将表情识别应用在移动设备或者嵌入式设备中,限制了模型的大小,对识别实时性以及对模型的鲁棒性提出了更高的要求。在自然环境下,通过摄像头采集的人脸图像,因为采集设备以及其他方面的影响,往往采集到的人脸图像是低分辨率的。然而,目前一些主流的表情识别方案都只能对高分辨率的人脸表情进行识别,但是在低分辨率的情况下,识别效果并不理想。本文针对上述问题,首先提出了基于轻量级卷积神经网络的双通道人脸表情识别方法,首先对人脸表情图像进行检测与定位,裁剪掉非人脸区域,并进行数据增广以及预处理,然后分别对灰度图以及LBP（Local Binary Patterns）图进行特征提取,接着采用特征降维以及特征融合,并且我们引入了孤岛损失函数用以解决人脸表情类间差异小,类内差异大的问题。此外,为了对低分辨率人脸表情图像进行识别,本文提出了一种基于耦合映射的低分辨率人脸表情识别模型,采用了双分支结构,使用特征提取子网以及超分辨子网,在上下分支中,分别对高低分辨率的人脸表情图像进行处理,得到的两个特征向量投影到相同的公共特征子空间中,并采用梯度下降法和误差反向传播算法更新卷积神经网络的权值,以保证高低分辨率的人脸表情图像对在公共特征子空间的距离最小化,同时保证能够被分类到正确的类别。为了验证基于轻量级卷积神经网络的双通道人脸表情识别方法和基于耦合映射的低分辨率人脸表情识别方法的性能,本文基于JAFFE、FER2013、CK+数据库进行了实验。实验结果表明,本文设计的基于轻量级卷积神经网络的双通道人脸表情识别方法在JAFFE数据库上达到了95.238%的识别率。在低分辨率情况下,本文设计的基于耦合映射的低分辨率人脸表情识别方法对低分辨率人脸表情图像有良好的识别效果,尤其在6×6的超低分辨率上,提升效果明显。