随着科学技术的发展,人工智能、机器学习领域的学术研究也越来越火热,计算机视觉作为其中重要的分支之一,越来越多的科研人士也投入其中。要想让计算机真正实现人工智能,那么理解人的情感是必不可少的,而人脸表情往往能很直观的表达出人的丰富情感,因此人脸表情的识别及检测就显得十分重要。如今深度学习已经在计算机视觉、自然语言处理等领域取得了优异的成绩,本文通过研究流行的深度学习算法Faster R-CNN模型,将其应用到人脸表情的检测之中。由于人脸表情本身容易存在混淆,且易受环境、角度等因素影响,基于Faster R-CNN对人脸表情的检测平均精度仍存在提升空间,本文提出一种基于改进Faster R-CNN的人脸表情检测方法。该方法首先对人脸表情数据集SFEW 2.0进行直方图均衡化和限制对比度自适应直方图均衡化(CLAHE)预处理,并对人脸表情数据进行增强扩充;然后对超参数进行了反复性实验优化,改善了模型的训练和学习效果,提高了检测精度;分析对比了VGG-16和Res Net-101的网络结构,通过实验确定了采用预训练模型VGG-16网络权重进行迁移学习,提高模型泛化能力;最后基于正则化的模型结构优化,引入带有参数约束项的L1 Smooth回归损失函数,利用正则化方法优化参数权重,提高了检测精度,得到适应人脸表情特征的改进Faster R-CNN模型。实验表明,本文提出的基于改进Faster R-CNN的人脸表情检测算法能成功检测出人脸表情所在位置,并对人脸表情做出识别,m AP达到81.33%,与使用未改进的Faster R-CNN进行的人脸表情识别与检测相比,平均精度均值提高了约4%。