人脸表情识别作为计算机视觉的一个重要分支,在智能监控、人机交互等领域具有广阔的应用前景。近年来,越来越多的研究人员使用卷积神经网络对表情识别展开研究,并取得了巨大的成就。目前大多数用于表情识别的模型存在参数量较多的问题,不能满足在移动端设备以及嵌入式设备应用的需求,因此本文对轻量级模型mini＿Xception展开研究,改进轻量级模型的结构,提取关键区域特征,使模型更加关注与表情相关的重要区域,实现准确的表情识别。针对卷积神经网络不能重点关注表情识别最显著区域,从而不能有效提取关键特征信息的问题,本文对基础模型mini＿Xception的结构进行研究,通过引入SE-Net注意力模块对整体人脸进行特征提取。注意力模块能够自适应学习得出不同特征通道的重要程度,增加模型对整体人脸中与表情相关重点区域的关注,得出基于注意力的全局人脸表情识别网络WFA-CNN。实验结果表明该方法能够有效提升人脸表情识别的准确率。针对WFA-CNN仍会忽略一些局部区域表情细微特征变化的问题,本文基于运动编码系统构建了局部关键区域的表情识别网络LER-CNN、LMR-CNN和LNR-CNN,实现对关键区域细节特征的学习。通过对人脸表情局部细节特征的学习,使各个关键区域模型具有局部表情细节特征的识别能力;在构建局部关键区域模型过程中,本文还提出一种通过可调整参数α来定位关键区域的方法,降低关键区域的漏检和误检率,提升局部关键区域的检测能力。最后,为了实现局部区域表情识别模型与基于注意力的全局人脸表情识别模型的相互补充,提升表情识别的准确性,本文采用模型融合的方法将WFA-CNN与各局部关键区域的表情识别网络进行融合。通过采用不同的融合策略,构建出多模型融合表情识别网络。实验结果表明模型融合的方法能够捕捉和利用与表情相关的人脸重要区域,并通过CAM可视化的方法,显示各个模型关注的重要区域。实验结果表明模型融合的方法在CK+数据集和JAFFE数据集的识别精度均得到有效的提升。