人脸表情识别和车辆属性识别是图像识别的两个重要应用,人脸表情识别和其它图像识别如人脸识别主要的流程和方式很类似,但有其特殊性,其特殊性在于判断一张人脸的表情主要是依据其眼部和嘴部的肌肉运动状态。本文以深度学习理论为基础,以提高人脸表情识别准确率为目标,提出了基于深度学习加强关键区域特征表达的人脸表情识别算法。针对车辆属性识别,考虑到外界因素如遮挡、光照、摄像头拍摄角度等问题,制作了一个基于监控下多角度摄像头拍摄的车辆属性多标签数据集,提出了基于多任务卷积神经网络的车辆属性识别算法,以提升识别速度。本文主要工作如下:(1)提出了基于深度学习加强关键区域特征表达的人脸表情识别算法,提前获取每张人脸图片的两个关键区域的位置信息,对整张人脸图片提取特征图后,在特征图上提取两个关键区域的特征,另外,对特征图继续提取特征,最后融合多类特征输出结果,加强关键区域的表达能力。多个实验证明了同一网络加强关键区域特征表征表达后能提升3-5%的准确率,最后,本文在fer2013数据集上取得的最好效果为75.71%,比目前最好方法准确率高0.51%。(2)考虑到深度卷积神经网络的浅层特征具有更多的细节特征,而深层特征则更具有全局特征,提出了一种基于多尺度加强关键区域特征表达的人脸表情识别算法。提取浅层和深层的特征图,并提取相应关键区域特征,浅层和深层各有一个监督,最后再融合浅层和深层特征作为另一个监督,考虑到网络复杂度问题,加入了多种特殊连接方式以提升网络训练速度。(3)制作了一个多标签的车辆属性数据集,考虑到车辆两个属性上的联系,提出了一个基于多任务网络结构的车辆属性识别算法,多个实验证明了本次提出的方法的车型识别率为98.04%,比目前最好的方法高0.09%,车颜色为96.74%,比目前最好方法高2.27%,并且减少了时间消耗。