计算机视觉的一个重要研究方向就是人脸表情识别,人的面部表情是其情绪的重要外在表现,甚至可以说是最重要的外在表现,人与人之间的情感交流很多时候都是通过我们的面部表情来完成的。因此,通过研究计算机对于人脸表情的识别,可以有效的帮助机器理解人的情感,促进人机交互的发展。不过由于一部分人脸表情的界定比较模糊,加上人脸的姿态以及人面部周围的环境的影响会导致机器对于人脸表情的判断的鲁棒性大大降低。本文通过实验,对不同模型在人脸表情上的优劣性进行研究探讨,并加以改进。本文的主要工作如下:（1）针对传统卷积神经网络只注重网络模型深度而忽视轻量化造成计算机性能压力提升,或只注重轻量化而忽视了模型深度对复杂特征提取的重要性这两个方面的问题,受到密集连接卷积网络的启发,对密集连接卷积网络进行了一定的改进,使得模型能够在保持较深的网络深度的同时,模型对参数的需求量大大降低,且具有较高的预测准确率,实现了对模型参数极高的利用率。实验对比了牛津视觉几何小组网络（VGG）、密集连接网络（Dense Net）以及残差网络（Res Net）等主流流行网络,并且采用了Fer2013数据集作为人脸表情识别模型的训练以及测试数据集,实验过程中对人脸表情数据集进行了一系列的翻转、光照的调整等数据增强操作。同时在训练时针对模型当前的训练状态,连续动态的调整模型的学习率,使得网络的学习方向始终能够处于一个较好的状态。最终实验结果表明改进模型可以保证在Fer2013数据集上得到较高的准确率,同时改进模型需要的参数数量有一定程度的降低。（2）为了更好的拟合人脸表情数据集,提升网络模型的泛化性和鲁棒性,本文在卷积神经网络模型的基础上引入了注意力机制。通过对注意力机制的引入我们可以做到对一些特征图进行筛选,将对给定任务表达能力比较强的特征进行放大增强,对于那些影响并不是很大的特征会进行一定的削弱,通过这种增强及削弱的操作达到对目标特征的筛选,并最终提高网络模型的性能。通过对多个数据集实验得到的结果进行对比,分析不同数据集对人脸表情识别的准确率的影响,结果表明卷积神经网络中引入注意力机制可以有效的提高模型的预测准确率,同时我们还发现数据集中的人脸表情越清晰、人脸表情的背景的干扰越少,所能获得的预测准确率更高;并且数据集中的人脸表情图像越多,模型能够在较少的轮数内达到较理想的拟合状态。