面部表情传达着人类情感状态的重要信息和线索,组成了人类社会环境最基础的交流沟通方式。随着大数据和人工智能的快速发展,计算机及其它智能产品在人机交互领域实现情感化得到众多研究者的关注,面部表情识别技术在与人们日常生活息息相关的各种领域都有着重要的研究价值和广泛的应用空间。由于传统表情识别方法在人脸表情识别过程中存在着特征提取不充分、受人脸图像的光照、姿态等环境因素影响较大,缺乏灵活性、稳定性与泛化性的问题,因此以解决上述问题为出发点的人脸表情识别技术逐渐成为主流。本文以进一步提高人脸表情识别模型的准确性、鲁棒性,实现多角度人脸表情识别为目标,同时力求模型更加轻量化,基于深度学习模型进行了一系列理论探索与实验验证,主要的研究工作内容如下:（1）针对当前卷积神经网络使用单一尺寸的卷积核,通过简单反复叠加卷积层和池化层造成的表情特征提取不全面,模型参数量大,训练过程容易过拟合的问题,提出了基于基础VGG16网络融合多尺度特征提取层的方法。该方法采用不同尺度的卷积层对输入进行特征提取,再采用并联方式将提取到的特征拼接,大大扩充了网络宽度,使提取到的图像特征更完整,同时该方法比单一尺寸卷积核堆叠带来的参数量更少,避免了模型训练过程中的过拟合现象,使模型更加轻量化。（2）针对模型构建过程中,各层卷积核数量不断增加而导致无法有效关注通道维度特征信息的问题,提出了在多尺度特征提取层之后引入压缩-激励注意力机制的方法,给予有价值的通道特征更高的权重,以此对关键特征进行强化,减弱不重要通道的特征,对经过通道拼接形成的多尺度特征层进行加权处理。结合研究内容（1）最终搭建起一个基于多尺度特征和注意力机制的人脸表情识别模型,该模型在JAFFE数据集、CK+数据集和FER2013数据集上进行实验验证,最终的识别结果分别为97.2%、99.1%和68.5%,同时在保证不损失识别率的情况下,本模型更加轻量化。（3）针对目前多角度人脸表情识别研究较重要但准确率较低的问题,尝试将上述构建的模型应用于多角度的人脸表情识别。首先提出了一种基于条件生成式对抗网络的侧脸图片正面化处理方法,在生成器和判别器的训练中均引入侧脸图片作为条件变量指导生成器与判别器二者的博弈,对输入其中的侧脸图像进行转正处理,最后将生成的正脸图片输入表情识别模型实现多角度的人脸表情识别。将该方法在KDEF数据集上进行实验验证,识别结果相比于传统方法大大提高。本文的创新之处在于提出了一种基于多尺度特征和注意力机制的人脸表情识别模型,并将其运用于多角度的表情识别。在实现了模型轻量化的前提下,使用多尺度特征提取层替代单一尺寸的卷积核进行表情特征提取,使提取到的图像特征更全面;在多尺度特征提取层之后引用了压缩-激励注意力机制,给予关键特征通道更高的权重;提出使用条件生成式对抗网络先对侧脸图片进行正面化操作,再将其输入表情识别模型进行分类。