在人脸表情识别问题中,提取人脸表情特征是其中非常重要的步骤,特征的好坏直接决定了识别的效果。人脸区域的面积虽然不大,但是却包含了很多的人脸属性,特征提取过程中提取到和表情无关的人脸属性特征会对分类效果产生负面的影响,增加分类器的负担。同时样本所处的环境也会对特征提取的过程产生影响,影响识别效果。而人脸表情识别问题研究的最终目的是将该技术应用于日常生活中,但是人脸表情识别算法需要满足训练样本与测试样本独立同分布的前提才能取得较好的效果,这个条件在实际应用中是非常难满足的。因此,本文正对这些问题,做出了如下工作:1.本文将图像的空间注意力机制引入到特征提取网络中,设计了一种空间注意力提取网络,通过最小化本文提出的空间注意力提取网络的损失函数,使空间注意力提取网络能够关注到与当前人脸表情强相关的人脸器官区域。通过对人脸表情强相关的区域的特征进行增强,对其他的区域提取到的特征进行削弱,实现增强表情属性特征,削弱其他人脸属性特征的目的。同时根据人脸解剖学的知识,同一类表情的脸部肌肉运动轨迹是相似的,不同表情间的脸部肌肉运动轨迹是有差异的,本文中的关注度区域也应该满足这个条件,同类表情之间相似,不同表情具有差异性,所以本文实验对其进行了可视化验证,证明了本文提出的空间注意力提取网络的有效性。2.本文提出了一种无监督的基于对抗的域自适应算法,改进了传统算法中对抗过程不考虑分类问题的决策边界的问题。提出的域自适应算法考虑了表情分类任务的决策边界,让对抗过程仅仅发生在不同域的相同类别间,保证了特征提取过程中提取到的公共特征为公共的人脸表情特征,一定程度上抑制了数据偏执对识别产生的影响,增强了算法的泛化性能,同时,无监督的算法在迁移的过程中对目标域的训练数据没有表情标签的要求,在实际应用中,没有表情标签的人脸样本是非常容易获取的,能够获得更多的训练样本,使训练样本的分布更接近真实世界的样本分布。本文在常用人脸表情数据库上进行了跨数据集的实验对本文算法进行了验证,本文算法在本文展示的几组跨数据集人脸表情识别实验中取得了目前世界最高的识别准确率。