目前,大多数的人脸表情识别方法都是针对正面人脸进行的,然而正面的人脸表情往往是一种比较理想化的情况。在现实生活中,采集设备可能从多个角度捕捉表情数据。现有的多视角的人脸表情识别算法大多基于卷积神经网络,这些模型在训练集中未包含的新视角下的泛化能力普遍较差。鉴于胶囊网络可以建模空间层次关系的特性,在其基础上提出了鲁棒性更强的密集胶囊网络DenCaps。DenCaps模型融合了密集网络DenseNet中的Dense Block模块和胶囊网络中的胶囊模块,Dense Block通过特征重用和旁路设置,可以学习到更加丰富的特征。模型中的胶囊单元采用向量替代标量存储实体特征,相比传统卷积神经网络,能够编码姿势、位置等参数,在多视角的人脸识别中具有良好的表现。在FERA2017数据集上对DenCaps模型进行了测试,并且和其它的最新的网络模型进行对比。实验结果表明,DenCaps模型在FERA2017上取得了53.9的F1值,高于其它的网络模型。通过在DenCaps基础上进行了交叉姿势实验,实验结果表明DenCaps可以在训练集中未包含的新视角下准确地识别表情动作单元。最后对DenCaps模型中的胶囊的单一维度进行扰动,通过重建图像可视化胶囊学习到的内容。可视化表明胶囊能够存储姿势、头部大小、AU强度、光照等实例化参数。