随着计算机技术与人工智能的快速发展,人脸表情识别技术成为了当前的研究热点,在人机交互、安全驾驶等多个领域有着广泛的应用前景。传统的表情识别技术不仅设计困难,而且不能充分提取表情特征,导致表情识别效果不佳。目前基于深度学习的表情识别技术成为主流方法,但现在的卷积神经网络模型对硬件要求高、训练耗时过长,导致表情识别的实时性难以得到保障,无法部署到低算力的设备上。为了进一步提高表情识别算法的准确率和鲁棒性、降低卷积神经网络的参数量和计算量,对卷积神经网络轻量化方法和表情识别方法进行了研究,并在研究的基础上实现了一套人脸表情识别系统。论文主要工作如下:（1）针对原始Ghost Net模型中Ghost瓶颈层在模型训练时,部分神经元不起作用导致信息丢失的问题,使用Mish激活函数重新设计了改进的Ghost瓶颈层;针对原始Ghost Net模型中使用的SE注意力机制并未考虑到空间层面的信息,使用更加高效轻量的归一化注意力机制作为替代;针对原始Ghost Net输入尺度过大的问题,修改了Ghost Net模型初始输入大小和层数,减少参数量和计算量,使其更适合表情识别任务。基于以上三点,提出了改进的Ghost Net模型,在FERplus和CK+数据集上进行实验,分别取得了79.339%和96.411%的准确率,验证了基于改进Ghost Net模型方法相比于其他主流轻量级卷积神经网络,在模型参数量和计算量更少的前提下,依旧有着更高的识别准确率和更快的识别速度。（2）针对人脸表情的类间差异小、类内差异大特性和Softmax交叉熵损失函数不能压缩类内空间,优化不灵活等问题,结合Island损失函数和Circle损失函数设计思想,设计并采用了基于余弦相似性的损失函数来监督神经网络的训练学习。该方法可以在特征空间中增大类间差异,减小类内差异,从而提升特征判别能力。在FERplus和CK+数据集上实验验证,基于余弦相似性的损失函数准确率高达82.561%和98.553%,效果优于Softmax交叉熵损失函数、Island损失函数和基于余弦距离的损失函数等,更适合移动端和嵌入式设备的使用场景。（3）将训练好的轻量级卷积神经网络进行实际应用,使用Py Qt5工具包来完成整个人脸表情识别系统的设计。该系统具备以下功能:通过图像识别进行静态表情识别、通过摄像头识别进行动态表情识别、可以显示识别所需时间和识别结果、可以实时显示表情预测概率分布。通过系统测试表明该系统有着很好的实时性,并且在正向脸上有着高达90%的准确率。