表情是人际交往过程中情感表达的重要方式,也是情感计算中一个流行的研究领域。目前深度卷积神经网络无论是在实验室还是自然环境下的表情数据集中都取得了不错的表现。但这些方法一般基于通用的图像分类网络,因此往往需要大量的参数进行实现;其次表情识别的环境是多变的,但这些网络并没有很好的特征提取的方法;另外面对越来越复杂的表情识别任务,人工设计一个性能良好的表情识别模型越来越需要大量的时间成本和经验指导。因此,本文针对表情识别模型的参数量大,提取特征不易以及设计困难等问题展开研究,主要工作如下:针对表情识别模型设计困难和参数量大的问题,提出了一种自适应可伸缩的表情识别模型设计方法。本方法设计了一种同时编码cell级和cell内连接的可伸缩的搜索空间,通过强化学习指导的IDEA搜索策略提高搜索的效率,并利用L1/2范数正则化损失进行辅助学习,能够得到稀疏并保证良好性能的表情识别模型。本方法在CK+和RAF-DB数据集上进行了实验,通过对比识别准确率和参数量,发现本方法相比于通用的骨干网络,能够以轻量化的结构获得更高的识别准确率,从而证明本方法在设计表情识别模型上的有效性。针对表情特征提取不易的问题,提出了一种自适应注意力机制的表情识别模型设计方法。本方法在自适应可伸缩的表情识别模型设计方法的基础上应用了两种注意力机制,一种为稀疏中心损失,通过注意力权重来控制中心损失,进而更好地提高类别可分性;另一种为多头注意力机制,通过多尺度卷积核更好地建模注意力权重。同时本方法利用神经架构搜索的优势,设计了自适应地添加注意力机制的架构,自适应地在cell上添加注意力。本方法在CK+、RAF-DB以及FERPlus数据集上进行了实验,并与近年来的一些表情识别方法进行比较证明了方法的有效性,其中本方法在CK+和RAF-DB数据集上分别达到了98.38%和86.73%的识别准确率。本方法还将注意力进行了可视化,可以发现本方法在定位人脸表情表达的关键区域上具有很大的优势,能够精准地进行特征提取。综上所述,本文提出的自适应可伸缩的表情识别模型设计方法能够有效地解决表情识别模型的设计问题,同时使得模型轻量化;本文提出的自适应注意力机制的表情识别模型设计方法能够有效地进行表情特征提取从而提高表情识别准确率。