微表情是人类无意识产生的面部微动作,其反应了人类的真实情感状态。这使得微表情在医疗诊断、商业谈判、刑事审讯等方面具有广泛的应用。微表情具有持续时间短、强度微弱、局部发生等特点,这些特点使得人类准确识别微表情十分困难。因此,自动微表情识别成为了计算机视觉、模式识别和情感计算研究领域中一个备受关注的课题。本文针对微表情识别中的关键任务:跨领域面部微表情识别,结合微表情的自身特点和域自适应方法,围绕微表情的显著特征表示和域间分布差异两个方向展开了深入研究。并基于本文的方法搭建了微表情识别原型系统。具体而言,本文的主要工作内容如下:（1）提出了基于光流的运动关注深度迁移网络来解决跨领域微表情识别任务,可有效产生具有区分度的微表情特征表示并能减少域分布差异。光流信息可以编码时空变化信息,将其运用在微表情中,可以有效地代表面部微表情的肌肉运动信息。将光流运动信息和面部外观信息结合,能准确地关注面部运动区域,可有效表示微表情。由于微表情强度弱且存在冗余信息,故此方法选用三帧（起始帧、关键帧、终止帧）来产生有区分度的运动关注微表情特征表示图。由于微表情数据库的域分布存在差异,通过最小化最大均值差异来减少域分布差异,提高模型的泛化性。该方法在两个标准跨库微表情识别任务上的整体准确率与之前的方法相比,至少提高2.9%,且泛化性远好于其他方法。（2）提出了条件迁移注意力网络来处理跨领域微表情识别任务,可有效减少微表情类间差异对域鉴别器的影响以及从微表情的局部和全局的角度优先迁移跨域相似的微表情特征信息。本方法利用对抗域自适应思想,来消除微表情源域和目标域之间的差异,使得分类器能学到跨域不变的微表情特征。考虑到不同的微表情类别具有不同的结构差异,这可能使域鉴别器无法专注于区分与微表情无关的域差异。故引入条件信息（类别预测概率信息）,结合微表情特征,产生多类别微表情结构信息,域鉴别器学习到微表情类别相关信息,就可以减少被微表情类别差异信息影响。并且,微表情样本中不是所有信息都值得迁移的,强行迁移可能导致负面效应。对不同信息进行选择性迁移是十分必要的。本文提出两种类型的注意力:一是反应运动信息的光流值产生的局部注意力去强调可迁移的微表情局部区域,二是通过域鉴别器生成可迁移的全局注意力去强调可迁移微表情样本。该方法在两个标准跨库微表情识别任务上的整体准确率与之前的方法相比,至少提高1.5%,且泛化性好于其他方法。（3）基于上述方法搭建了微表情识别原型系统,该系统具有微表情视频播放、人脸检测、微表情特征处理、微表情分类等功能。其可以慢速播放微表情视频,并显示本文提出的运动关注微表情特征表示图,以及显示微表情识别结果。