在近十年中,人们对人机交互以及情感计算需求的提升使面部情绪识别也成为研究和发展的主要方向,人们对人工智能领域的更高追求使得基于深度学习的面部情绪识别网络需要嵌入智能设备中以应用于现实生活的场景当中,然而传统的人脸表情识别研究中存在模型训练难、应用落地难以及小样本学习困难等关键技术问题和挑战,并且现有的人脸表情数据集在一些负面情绪上的样本数量较少,存在面部情绪样本不平衡的问题,本文针对上述问题进行了如下几方面的研究:1.通过对卷积神经网络的改进,提出一种基于注意力机制的轻量级面部情绪识别方法。基于构建轻量级网络方法对网络进行改进,降低网络参数量,使网络更加轻量。分析传统卷积神经网络模型的弊端,针对非条件约束下的人脸面部表情,对传统卷积神经网络进行改进,引入辅助块的思想,提出了一种基于注意力机制的轻量级面部情绪识别方法,在改进后的网络中加入通道空间注意力机制以及SN归一化方式作为辅助块,弥补传统卷积神经网络参数量大、训练难、落地难、梯度消失以及梯度爆炸等缺陷。2.提出通过生产对抗网络（GAN）对数据集进行预处理,解决数据分布不均衡问题,提升面部情绪识别方法的准确率。通过生成对抗网络能够生成高质量数据样本的优点,将其运用于人脸表情识别,通过GAN生成含有不同表情的人面部图像数据,解决面部图像数据集分布不均匀的问题,从而有效提高面部情绪识别网络的性能。3.设计了一个面部表情识别原型系统。将改进后的网络训练好的模型放入该原型系统中,通过该系统验证模型的性能,通过原型系统的验证表明,改进后的模型准确率高,识别效率高,有较好的人脸表情识别效果。经过对网络模型的改进,本文提出的网络模型在FER2013数据集上能够达到86%以上的准确率,特别是在弥补了数据不平衡的缺陷之后,各项表情识别的准确率都有所提升,均能达到80%以上,通过面部情绪识别原型系统的验证可以直观地看到面部情绪识别的结果以及网络模型的效果。