人脸微表情识别在司法审讯﹑心理治疗﹑国防军事等领域中有着巨大的应用价值,研发高性能的微表情自动识别系统可以极大地推动这些领域的进步。微表情自动识别的研究分为传统机器学习的方法和深度学习的方法两大类。传统机器学习的方法存在着消耗人力﹑时间成本较大以及识别率过低的问题,深度学习的方法可以很好地解决这些问题,在简化识别步骤﹑节约人力和时间成本的同时大幅提升识别率。然而,一方面,微表情微弱性的特点导致其难以被提取到具有足够区分度的特征,另一方面,目前现有的高质量微表情数据集寥寥无几,且均存在着小样本及样本数量不均衡的问题,导致目前基于深度网络的微表情识别模型普遍性能不高。综上,本文基于深度网络的微表情识别模型研究,有其科学意义和应用价值。本文基于深度学习的方法构建微表情识别模型,解决了目前其他模型存在的识别精度过低及因微表情数据集样本量过小导致的模型过拟合等问题。本文研究工作主要有以下四个方面:（1）研究了基于深度网络的微表情识别相关理论与技术基础,对本文基于深度网络的微表情识别模型的构建及性能评价过程中所采用的关键技术基础:图像预处理方法﹑卷积神经网络﹑微表情数据集和模型性能评价指标进行论述。（2）针对深度网络的发挥受限于数据集样本量大小的问题,提出基于迁移学习思想构建的,面向单帧图像的深度网络微表情识别模型。首先,研究实验数据采用的预处理方法,采用人脸检测与对齐﹑提取顶点帧﹑数据扩增的技术,实现了对样本中冗余信息的去除和有效数据的扩充,完成了数据的清洗和重塑,解决因原始数据质量不高而导致的模型识别效果不佳的问题。其次,研究了面向单帧图像的深度网络微表情识别模型,使用迁移学习的方法,实现了将识别效果优秀的人脸表情识别模型用于微表情识别任务中,解决了直接在微表情小样本数据集上采用深度学习网络易导致模型过拟合的问题。最后,在微表情识别领域的两个公开数据集:CAS（ME）~2和SMIC上进行实验验证,该模型的识别准确率达到84.00%,与其他模型相比优势明显。（3）针对普通二维卷积神经网络只能提取数据的空间特征,无法提取时间特征的问题,提出基于三维卷积神经网络构建的,面向视频序列的深度网络微表情识别模型。首先,研究实验数据采用的预处理方法,采用人脸检测与对齐﹑面部运动特征放大﹑数据扩增的方法,实现了对样本中无关信息的去除﹑有效信息的放大和样本量的扩充。其次,研究了面向视频序列的深度网络微表情识别模型,使用三维卷积神经网络,实现了同时对微表情数据的空间和时序特征进行提取,解决了普通二维卷积神经网络只能提取空间维度特征,无法注意到多帧图像间的运动信息的问题。最后,在CAS（ME）~2和SMIC数据集上进行实验验证,该模型的识别准确率达到89.77%,与其他模型相比优势明显。（4）设计并实现了一个基于深度网络的人脸微表情识别原型系统。使用Python的Py Qt模块,采用分模块设计开发的方法,将前文理论研究成果应用化,将数据预处理﹑模型训练﹑模型测试的过程以用户图形界面的形式展现出来,可以更直观地验证本文提出的模型用于人脸微表情识别的有效性和可行性。本论文有图45幅、表17个、参考文献82篇。