人脸表情识别是模式识别和计算机视觉领域的一个前沿课题,由于其具有非接触性、隐蔽性、易于理解以及图像采集设备成本低等优点,已经被越来越多地应用于安全监控、人机交互、人工智能以及电子商务安全中。近年来,基于稀疏表示和深度学习的方法在人脸识别方面取得了较好的效果,得到了越来越多研究者的关注,但是表情识别相关的研究却停滞不前,本文在分析总结国内外相关研究的基础上,从构建深度学习网络来进行人脸表情识别和身份保持表情不变特征提取两个角度出发,研究了两种深度神经网络结构。针对传统方法提取的特征对光照、表情、姿态等复杂变化鲁棒性差,不能很好地描述人脸特征,提出一种局部并行深度网络结构用于人脸表情识别。以深度学习+大量数据方法获得具有鲁棒性的特征,以大量无标签数据进行无监督学习得到不同尺度的卷积核,利用卷积核提取特征,使用max-pooling方法增强特征的鲁棒性,利用并行网络处理得到的特征,并行网络也采用无监督预训练网络初始值,对最后一层特征用softmax分类器训练,然后采用有监督微调网络方式来实现对特征的分类,实验结果表明该算法具有较高的识别效率,并且具有较好的鲁棒性。基于卷积神经网络的非线性映射能力,本文提出一种提取身份保持表情不变特征的网络,并在参数更新和多损失函数这2个步骤采用了一些新颖的方法,以期提升对网络的训练效果,针对人脸表情数据库JAFFE库进行训练和测试,研究对比了在各种情况下深度网络提取出来的人脸表情特征。