卷积神经网络作为深度学习领域被广泛使用的模型,其在计算机视觉的诸多领域有着较好的应用与研究。作为具有很高研究热点的计算机视觉领域包括图像识别、目标检测、语义分割等模块,且这些模块的研究也取得了很好的进展,同时,结合人工智能技术在医疗领域的应用也在蓬勃发展。为了应用这些已取得较好效果的深度学习模型并在医疗领域展现人工智能技术的强大作用,本文提出了基于卷积神经网络的面部表情识别模型、基于卷积神经网络和面部表情识别技术的帕金森病诊断多任务学习研究模型,在该方法下,不仅可以得出面部表情识别结果,也能判断是否患有帕金森病,相信可以对医疗临床诊断帕金森病提供参考。本文主要为图像识别领域的研究,其涵盖内容如下。（1）面部表情识别是通过给定图像和视频数据得出当下时刻的个人情感状态以达到人机交互的目的。本文主要选择了生气（angry）、厌恶（disgust）、害怕（fear）、高兴（happy）、伤心（sad）和惊讶（surprise）6类表情用以实验研究,通过与南昌大学第二附属医院合作采集了帕金森病患者的表情数据集（称为PDface）,正常人则选用了公开表情数据集Oulu CASIA。（2）帕金森病是一种神经系统变性疾病,造成该病的主要原因是中脑黑质多巴胺（DA）能神经元变性死亡,由此而引起纹状体DA含量显著性减少而致病,数据显示65岁以上老人患病率为1.7%,因此对于这一病症的早期筛查也极具重要意义。由此本文的目的旨在通过建立多任务学习网络模型,实现能识别表情和预测是否患有帕金森病,且准确率得到提高。（3）针对面部表情识别;本文神经网络模型主要采用密集连接网络（DenseNet）和改进的多尺度卷积核（GoogLeNet）结构,改进的结构为将原始的Inception模块中的5×5卷积核改为了用两个3×3卷积核替代,同时将原有的3×3卷积核后再增加一个3×3卷积核。通过将上述两种结构合并在一起进行实验并得出面部表情识别结果。在利用改进的表情识别模型进行实验并和其它经典CNN模型对比后,验证了改进模型的有效性,提升了面部表情识别的准确率。实验中,设计了两种方式进行表情识别的实验,改进模型在第一种方式下的的识别率为69.73%,第二种方式下的准确率提高到了70.22%。（4）针对帕金森病预测任务;由于帕金森病患者的某些表情（如恐惧和生气）与非帕金森患者的相应表情存在差异,因而基于面部表情识别进行卷积神经网络驱动下的帕金森病患者识别成为可能,因此又提出了一种新颖的可实现帕金森患者识别的多任务学习网络模型,被称为DMSNet模型,该模型继续采用上述面部表情识别结构,具体方法为:首先将原始数据分别输入到上述两种网络中,通过残差学习和多尺度卷积等步骤提取潜在特征后,再将两类潜在特征向量相加输入至全连接层,获得表情识别结果;随后,将每个人的6类表情向量组合输入到下一层全连接层中,获得最重的帕金森患者的预测结果。通过在Oulu CASIA数据集和PDface数据集上进行交叉实验并与其他深度学习经典模型的横向定量对比之后,DMSNet模型在帕金森病诊断上的有效性得到验证,其提出的DMSNet模型对是否患有帕金森病预测的平均识别率近100.0%,此外,DMSNet模型采用多任务学习机制的优越性也通过与其它只进行帕金森病预测的单任务学习模型做对比实验后,得到验证,单任务学习中改进结构的帕金森病预测的识别率为99.89%。另外,该多任务学习模型的优化目标为面部表情识别和帕金森病诊断两类任务,且实验的总损失值为两类预测任务损失值的总和,在实验中将OuluCASIA数据集和PDface数据集合并使用,并进行5折交叉实验。最后,实验结果表明了结合面部表情识别技术的帕金森病诊断多任务学习研究是有效的。