人们的内心情感往往通过面部表情直观地体现出来,面部表情是人类进行情感交互的一种重要方式。在日常生活中,可以通过肉眼轻易观察到的表情称为宏表情,其持续时间在0.5秒到4秒之间。宏表情的发生可以被人类自主控制用以掩饰内心真实情感,在一定程度上具有欺骗性。然而,人们在掩饰真实情感过程中,难以避免地会在瞬间泄露出无意识的面部表情,将这种十分短暂、微弱的面部表情称为微表情。微表情作为一种自发式的情感表达方式,能够反映人类真实情感,在心理疾病治疗,刑侦审讯等领域具有重要的研究意义。由于微表情具有持续时间短、动作强度微弱、发生区域局部的特性,导致难以准确捕捉面部细微肌肉运动信息以提取有效特征,这给微表情识别的研究造成了一定的困难。本文提出一种基于时空特征和双流网络的微表情识别算法。使用基于迁移学习的运动放大网络对顶帧微表情运动状态进行放大,生成放大图像作为空间特征,放大图像有效改善了原始图像中微表情肌肉运动极不明显的问题。通过对起始帧与放大顶帧提取稠密光流,捕捉微表情帧之间肌肉的微弱运动趋势作为时序特征,稠密光流图像在抑制非运动区域噪声的同时也有效保留了微表情的关键运动信息。构建双流网络模型,对输入的时空特征进行进一步学习以提取深度特征,使用双通道输入保证了提取特征之间的独立性,有效增强了微表情的相关特征。在SMIC、CASME II和SAMM数据集以及它们的复合数据集上对算法进行了验证,并与其他先进方法进行对比,实验结果表明,提出的算法分别在SMIC、CASME II、SAMM上取得了71.34%、73.95%、74.26%的准确率,同时F1分数也表现优异,均高于对比算法。