由于面部表情是人类传递情感和状态的重要形式,表情识别已成为人工智能领域不可或缺的一部分,也是计算机视觉最热门的研究领域之一。随着深度学习的浪潮爆发以来,计算机视觉和机器人技术取得了长足的进步,但是表情识别领域的难题仍然亟待解决。近年来,一系列表情数据库的建立,为基于深度学习的表情识别提供了源动力,推动了这个领域的飞速发展。表情识别数据库可分为两个大类,一个是实验室环境的表情数据库,一个是真实环境的表情数据库。基于深度学习的表情识别方法在实验室环境的表情数据库上已经达到了几乎饱和的准确率,然而,这些算法在真实环境的表情数据库上的性能却急剧下降。这是由于真实环境的表情图像是从互联网或电影片段中收集而来,它们广泛受到姿态、遮挡、光照等因素的影响。这些真实环境中的因素恰恰成为了表情识别的不利条件,也成为了科研人员努力缓解的方向。面向真实环境的表情识别技术是表情识别迈向智能化的必由之路。针对真实环境的表情图像面临的问题,本文基于三维人脸特征重建和图深度学习的方法来提高真实环境面部表情识别的准确率和鲁棒性。具体来说,本文的研究内容如下:（1）分析了三维特征重建和图深度学习这两种技术在人脸图像分析中的应用,列举了这两种技术中较为成熟的几种方案。接着对这两种技术应用于面部表情识别进行了可行性分析以及提出了相应的应用方案。（2）调研了常用的真实环境面部表情识别算法,分析了本文算法和相关算法的区别,对面向姿态问题、面向遮挡问题、面向复杂环境问题的表情识别中的部分算法进行了复现,对比了各个算法的实验结果。（3）基于三维人脸特征重建和图深度学习技术,提出了新颖的端到端可训练深度神经网络模型（3D Face Feature Reconstruction and Learning Network,3DF-RLN）,以缓解真实环境面部表情识别的难题。3DF-RLN主要包含四个模块:三维人脸特征重建,基于卷积神经网络的外观通道,基于图卷积网络的几何通道,融合识别模块。（4）3DF-RLN首先从二维人脸图像重构面部外观特征和面部几何特征,然后使用卷积神经网络和图卷积网络这两种异质网络分别提取两种面部特征中包含的表情信息,接着融合外观通道和几何通道的输出,并预测表情类别。该方法在图卷积网络中使用可学习的邻接矩阵,在实现表情识别任务的同时获得了面部关键点的邻接关系和重要性。（5）对提出的3DF-RLN进行了充分的消融实验,并且在三个面部表情数据集上进行了大量实验:Multi-PIE、RAF-DB、Affect Net。实验结果表明,本文提出的方法比当前流行的方法取得了更好的效果,证明了本文模型的有效性。