计算机技术发展以来,人机交互成为了计算机领域主要研究的内容之一。随着人工智能技术的快速发展,越来越多的人机交互成果被使用在生活中,同时驱动着机器视觉中与人脸相关的大量研究与应用,人脸表情是其中重要的组成部分。生成对抗网络（GANs）自2014年提出,被广泛应用在文本、图像等领域。学者们利用其优秀的生成能力进行人脸研究并且取得一些成果。但是近几年的研究发现,GANs在有限样本的情况下容易产生欠拟合,无法取得好的生成效果。目前,公开数据集中亚洲,特别是中国人脸数据样本数量很少,这极大影响了亚洲人脸表情生成和重建的效果。针对小样本训练问题,学者提出了迁移学习的方法,即将在具有大数据集任务上学到的“知识”应用在不同但具有一定相关性的问题上。这在一定程度上,减轻了神经网络由于数据量不足而导致性能下降等问题,但在训练过程中,仍会因为样本数量有限而无法避免过拟合等问题。因此,只是简单的迁移学习并不能完全解决小样本带来的问题。为了解决这个问题,本文提出在生成对抗网络的基础上,引入迁移学习和特征图正则化相结合的方法,实现在有限数据中生成和重建表情。本文探讨现有的人脸表情生成和重建方法,对选用的生成对抗网络进行分析研究,阐述其图像生成和判别的原理和过程。然后针对亚洲人脸三维表情样本数量少、采集困难以及训练困难的问题,采取先进行二维表情生成、再进行重建的方法来生成最终的三维人脸表情。首先在GAN上利用Celeb A人脸数据集进行模型的预训练,采用卷积层低层权重冻结、高层权重微调的方式迁移至目标网络中,同时使用有限的亚洲表情数据集在迁移后的GAN进行训练以实现所需的人脸表情生成。在训练中加入特征图正则化作为辅助,以提升生成效果、减少过拟合;在GAN中分别加入辅助分类器来约束表情的生成。最后对生成图片进行预处理,输入三维重建神经网络,生成三维数据,建立亚洲人脸三维表情数据库。为了更好的展现生成效果,在Qt开放平台上设计人脸表情二维与三维的生成效果演示系统。