在人与人的沟通和交流方式中,表情作为映射人类内心情感世界最为直观的方式,是分析情感的重要途经。人脸表情识别作为情感分析计算的重要组成部分,在远程教育、智慧医疗、人机交互等方面有着广泛的研究与应用。传统的表情识别方法依赖手工提取特征,过于复杂且识别精度低,已不适合当下应用的发展需求。而当前基于深度学习的人脸表情识别方法,具有自动提取人脸表情特征、计算速度快和识别准确度高的优点,已成为人脸表情识别任务中的主流研究方向。为了取得更高的人脸表情识别性能,现有卷积神经网络的层级越来越深,模型参数量越来越大,在影响速度的同时也造成更大的硬件需求,不易部署到实际场景应用中。更重要的是,加深网络层级并不能完全达到精确提取人脸关键区域表情特征的效果。表情识别任务的另一难点是人脸表情变化细微,不同表情存在类间相似性、类间差异小,不易区分,且每个个体间对表情的表现方式并不相同,这些都对提高表情识别的准确率存在一定的挑战性。针对上述问题,本文以图像处理和深度学习理论为基础,以对人脸表情进行精确识别为目标,对卷积神经网络在人脸表情识别任务中的方法与应用进行了研究,实现了对人脸表情的有效识别。本文完成的主要研究内容如下:（1）针对常用的卷积神经网络模型存在特征表达瓶颈、参数量冗余和计算成本高,同时无法对人脸表情图像关键区域的特征进行精准的提取等问题,本文提出了融入注意力的轻量级秩扩展网络人脸表情识别方法。该方法首先通过特征融合的方式对秩扩展网络的卷积层进行了改进,并删除冗余的瓶颈块,增强了模型对局部表情特征的关注,同时轻量化了网络。然后引入了注意力机制CA模块（Coordinate Attention,CA）,使用残差学习的方法对CA模块进行改进,防止梯度消失,该模块通过捕获位置信息和通道关系的方法增强表情特征的表示,解决网络无法对人脸表情图像关键区域的特征进行精准提取的问题。且CA模块计算开销相当低,在不增加网络的负担下显著提高模型的性能。通过各组实验分析,在RAF-DB和FERPlus两个数据集上分别达到了88.10%和88.60%的表情识别准确率。证实了本文所提出改进网络在表情识别任务上性能的优越性。（2）针对真实世界下人脸表情的图像存在较高的表情多态性,每个个体间对表情的表现方式并不相同,对于相同表情,面部角度、遮挡、表情的表达幅度等存在较大差异,对于不同表情存在类间相似性、类间差异小,不易区分等问题,本文提出了一种基于细分结构的人脸表情识别方法。该方法首先在Re XNet-F网络上对表情图像进行一次粗分类,然后通过细分结构在卷积神经网络的训练过程中,从分类的角度利用上下文的信息,计算每个类的类中心,从而纠正许多之前粗分类错误的人脸表情图像,有效的削弱了人脸表情的多态性对表情识别任务的影响。在RAF-DB和FERPlus两个数据集上分别达到了88.00%和88.50%的表情识别准确率。（3）为了进一步提高人脸表情识别网络的性能,本文将基于细分结构的人脸表情识别网络模型与基于注意力的秩扩展网络表情识别模型进行融合,搭建了融合人脸表情识别网络模型。在RAF-DB和FERPlus两个数据集上的实验结果都比融合前的网络更高,且分别达到了88.43%和88.80%的表情识别准确率。表明了此融合模型实现了性能的互补,能够达到更好的人脸表情识别性能。