微表情是一种发生非常迅速的表情,持续时间一般情况下只有1/25s～1/5s,发生时动作幅度微小,人很难凭借肉眼直接察觉,其同时是一种无法抑制且无法伪造的自发式表情,更适合作为人类真实心理想法的依据,在心理研究、公共安全、商务谈判等领域具有更强的适用性。目前微表情识别方法仍多依赖于手工提取特征,费时费力且能够提取到的特征有限,导致最终识别结果不理想。随着技术发展,已有研究人员将深度学习算法引入到微表情识别领域,但其普遍只关注了空间域特征,而忽略了连续动作本身所具备的时域信息,导致识别效果还有提升空间。同时,目前现有的微表情数据集稀缺,且现有数据集也存在着帧数不统一、图像不规范等问题。本文针对这两个问题展开研究,主要的工作内容有如下方面:（1）提出一种基于感兴趣区域做几何变换的微表情数据扩充方式。通过先验经验结合微表情表达特性,以面部关键点为基础,划分出对微表情敏感的感兴趣区域。通过对比现有的几何变换方式,结合微表情特征变化微弱的特点,选择缩放、镜像以及这二者的组合变换作为扩充方法。大体流程为先对图像样本进行人脸检测,标记面部关键点,并对图像进行裁剪和归一化处理,然后基于图像序列对应的顶点帧,进行感兴趣区域的几何变换,生成新的图像样本。实验结果证明该方法能产生大量的噪声影响小的新图像数据;同时本文也通过多种哈希算法来比较生成图片与原图片的相似度,均取得了良好的结果,证明了新样本的有效性;（2）目前应用于微表情识别的大多数深度学习都是只关注了样本的空间特征,对时域特征没有进行有效提取。针对这种情况,本文提出了一种新的基于3DRes Net网络结构来完成微表情识别。其在三维卷积神经网络的基础上,结合残差网络思想,得到一种新的三维残差模块,并对应搭建了一种新的3D-Res Net网络结构。根据实验得知,结合不同的微表情数据扩充方法,分别取得了68.78%和70.38%的结果,达到了比以往更好的效果。