人脸表情作为一种表达情绪的载体,在日常人际交往中起到了重要作用。现如今,人脸表情识别技术广泛应用于人机交互、智慧驾驶、医学等领域。随着深度学习技术的发展,基于卷积神经网络的方法正成为主流的表情识别方法,但依然存在表情识别准确率不高以及不同个体之间的脸部特征和表情差异大等问题。针对上述问题,本文进行了人脸表情识别研究,主要研究工作如下:（1）针对VGG16深度卷积神经网络存在表情特征提取不够充分的问题,对VGG16的模型结构进行了改进,提出了一种新的网络模型,称为EX-VGG16。EX-VGG16的网络结构主要包含三部分,分别为特征融合、多尺度卷积和联合分类器。首先,为了增加网络提取到的表情特征多样性,设计了一个多尺度卷积块,并用它替换了原始VGG16的conv-block1。其次,为了减少网络的参数,用全局平均池化（GAP）替换了VGG16的最后那个池化层,并把全连接层的个数减少至1,同时在卷积层中加入了BN和Drop Block。为了保留更多的关键特征,将conv-block3的输出在被池化之前提取出来,并作为一个单独的支路,后续和conv-block5的输出进行特征融合。最后,针对不同个体之间的脸部特征和表情差异大问题,本文引入了孤岛损失函数,并和原先的softmax分类函数进行了联合,形成了联合分类器。最后的实验结果显示,在CK+数据集上,EX-VGG16的表情识别准确率比VGG16高出3.43%。（2）鉴于卷积层提取的特征是一种空间和通道信息的综合体,不同空间和通道位置所包含的信息的重要性是不一致的,因此本文引入注意力机制,对特征的重要性进行加权处理,信息的权重越大,关注度就越高。最后的实验结果验证了注意力机制的有效性,在FER2013数据集上的识别准确率超过了72.5%。（3）利用pyqt5工具包和OpenCV库,设计和实现了一个人脸表情识别系统,并且该系统的识别效果良好,有一定的应用价值。