人脸表情作为表达人类情感信息的途径之一,有着重要的研究价值。优秀的自动人脸表情识别技术,具有广泛的应用领域,例如,提供友好的人机交互体验;在社会公共安全方面,通过对公共区域人们表情及时准确的分析,可以预防恐怖暴力事件并提供援助;在医疗方面也可以实现对病人的实时监控,减少意外死亡率。随着现代技术的发展,人工智能、机器学习逐渐走入人们的日常生活中,在图像、计算机视觉领域,人脸表情识别技术的研究成为一个热点方向。其中深度学习近年来发展势头良好,在文本分析、自然语言处理、图像处理等方面都体现出特有的优势。因此,本文将卷积神经网络与人脸表情识别问题相结合,对其进行深入研究,主要工作内容如下:一是对常规Inception结构的改进。受Inception结构的启发,提出一种针对低像素人脸表情识别的深度卷积神经网络方法。在利用不同尺寸卷积核提取特征时考虑局部感受野的范围问题,使不同尺寸的卷积核有着相同的感受野范围,因此在生成的特征图中保持了局部原始信息的一致性。同时在提取特征后也并非将所有特征做简单拼接,通过对相同位置的特征元素取最大值操作保留其中较明显特征,而这一操作在一定程度上减少了简单拼接的特征融合方式中的参数数量,精简了模型复杂度。针对随着因网络深度的增加导致梯度消失和过拟合的问题,借鉴DenseNet网络模型思想核心。在原网络结构的基础上加入了简化后的Dense结构和传统Inception结构的池化部分,进一步提升网络模型的性能。其二,针对常规卷积神经网络在旋转不变性方面表现较差,效果不是很理想的问题,本文提出一种新的卷积方式,即在保持原网络结构的情况下,将图片的旋转角度信息加入到卷积过程,根据图片旋转角度的不同,进行不同的卷积计算,增强神经网络的旋转不变性。实验证明,该算法弥补了由于旋转图片的引入导致的准确率下降问题。在带有旋转图片的FER2013人脸表情数据集中不仅保持了原有正立人脸图片的表情识别率,同时提高了带有旋转图片的表情识别率,表明了本文方法的有效性。