面部表情在人们的日常交往中有着重要的作用,它直接传递了人们的情感。随着计算机科学技术的发展,自动化人脸表情分析成了一项受到越来越多关注的研究课题。面部表情分析也在人机交互和情感计算领域有着丰富的应用场景,如智能教育、医疗监控、数字营销、犯罪侦察等。通常来说,面部表情分析包括人脸表情识别和表情强度估计两项任务。现如今的人脸表情研究大多只关注于表情识别,即将表情识别为高兴、愤怒、恐惧、悲伤、惊讶、厌恶等六种基本表情,而对进一步区分强度等级的研究较少。心理学家指出,面部表情强度估计在解读面部表情的含义方面起着重要作用。然而标记面部表情强度是一项专业且耗时的任务。为了克服标记数据缺乏的问题,研究者们提出了顺序回归（Ordinal Regression）模型,以在无监督的情况下估计序列中每个表情图像的相对强度。但如果没有实际的强度标签,这些模型无法估计绝对强度。为进一步提高人脸表情强度估计的性能,一方面需要挖掘模型提取显著表情特征的能力,另一方可以寻找更多可用的监督信息用于网络训练。基于以上问题,本文在表情强度估计问题中做了以下探索工作:（1）为了解决标签不足的问题,同时克服身份信息对面部表情强度信息造成的干扰,提出了一种新的身份不变的半监督表情强度估计方法,利用显著的表情特征来估计表情强度。首先,面部表情由卷积神经网络提取特征,并与其对应的中性表情的特征做差分作为其显著的表情特征,目的是抑制表情无关特征对表情强度估计的影响。然后,将通过顺序信息构造的样本对输入到孪生卷积神经网络中,该网络通过多个损失监督无标记成对帧的相对强度、少数有标记关键帧的绝对强度以及大多数未标记帧的强度范围。（2）为了解决半监督学习对绝对强度估计精度不高的问题,提出了融合标签分布学习的增强序数回归方法（LDL-EOR）用于表情强度估计。利用序数回归学习相对强度,强度分布信息学习绝对强度,以抵抗手动和自动标签偏差引起的标签噪声。该设计旨在提高面部表情绝对强度估计的准确性,同时保持手动标记的低成本。通过计算数学期望值,将标签分布转化为连续强度值,使预测结果同时满足相对强度和绝对强度约束。为了保证LDL-EOR在不同监督环境下的可行性,本文提出了一个统一的标签分布生成框架,以逐帧自动重新标记训练数据。生成的软标签用于监督LDL-EOR模型,并增强其对原始标签中存在的噪声的鲁棒性。在CK+、BU-4DFE和PAIN数据集上做了大量的对比实验和消融研究,本文方法相比现有无监督和半监督方法在PCC、ICC和MAE等指标上均达到较高水平。