人脸表情识别在安全生产、人机交互、智能医疗等领域有着广阔的应用前景。早期的识别算法需要手动建立不同表情的特征模型,模型的建立过程繁琐、适应性差、分类准确率低。随着深度学习尤其是卷积神经网络结构的提出,表情分类准确率有了极大的提升,但是随着网络深度增加、结构复杂化,模型参数数量显著增多,训练难度增加,模型对训练集的图像数量与质量要求更加严格。人脸表情识别算法需要数据集提供清晰、多样的面部表情以及表情标签,当前流行的人脸表情数据集并不能最大程度的满足上述需求,算法往往只能在某一个数据集上表现出优秀的性能。针对上述问题,本文主要工作从以下两个方面展开:（1）提出了一种结合膨胀卷积与注意力机制的人脸表情识别算法,优化算法对人脸特征的提取。首先,对人脸部分进行裁切以去除肩部、背景等无关信息,送入模型训练前对裁切后的图像进行随机旋转、水平翻折、中心裁切等动态图像增强方法来扩充数据集的多样性。然后,在保持卷积神经网络基本架构不变的基础上,结合膨胀卷积与注意力机制设计了一个人脸表情分类模型,膨胀卷积应用在浅层网络扩大了卷积核的感受野,注意力机制的添加使得模型忽略无关特征并增强对表情特征的敏感度。最后,通过增强测试进一步提升模型的分类准确率。算法在FER2013和CK+数据集上都表现出了较高的分类准确率。（2）提出了一种基于生成对抗网络的人脸表情编辑算法,提升了生成对抗网络生成图像的质量,优化了表情编辑的精准度。首先,使用OpenFace人脸分析工具对CelebA数据集中的人脸图像进行筛选并做人脸对齐与裁切处理,以构建训练集与测试集。然后,结合面部动作单元编码系统与条件生成对抗网络设计了人脸表情生成器与判别器,区别于传统生成对抗网络的图像生成方式,本算法生成器将表情掩膜与色彩掩膜叠加生成高质量的图像,将生成器上采样层信息跳跃连接到下采样层以生成更加真实的图像。最后,通过对不同动作单元的强度控制,主观分析了本算法生成图像的细节,通过对比表情分类算法在不同训练集上的分类准确率和图像的PSNR与FID值,客观分析了本算法的生成图像质量。结果表明,提出的改进算法可以生成更高质量的人脸表情图像。