卷积神经网络属于深度学习网络架构,其采用局部感知、参数共享和参数优化等操作,使得需要训练的权值参数减少,因此,卷积极神经网络可以在较复杂的环境下,仍然具有良好的特征提取表现。与此同时,深度学习模型中的卷积神经网络因其自身的空间架构还具有一定的特征不变性如:迁移、缩放等。自动编码器属于一种人工神经网络架构,是一种特殊的感知机,为无监督学习方式。本文利用基于改进卷积神经网络的自动编码器的半监督深度学习算法研究表情识别问题,主要研究内容如下:1、半监督深度学习的表情特征提取方法针对卷积神经网络的学习方式,一般采用有监督的学习方式,但有监督学习方式存在训练样本不足,梯度弥散的问题。本文将有监督学习和无监督学习算法结合起来,研究了基于自动编码的卷积神经网络的半监督深度学习模型进行特征提取,本文特征提取部分半监督深度学习模型中的卷积神经网络采用的损失函数为分类交叉熵损失函数。采用Softmax分类器对半监督深度学习的表情特征提取方法进行验证,该方法在FER3013人脸表情数据集中得到了良好的实验效果。2、基于正则化编码的表情分类器分类器在表情识别系统有着非常重要的作用,针对分类器的鲁棒性有待提升的问题,本文对分类器进行改进引入₁L正则化。为了满足系统数据对稀疏性的要求,分类器采用稀疏表示。为了提高分类器的鲁棒性,本文在稀疏表示分类的基础上,研究了正则化编码分类器,提升了分类器的鲁棒性并且提升了半监督深度学习算法应用于表情识别系统的识别率。3、基于改进半监督深度学习的表情识别针对深度学习中存在过拟合现象的问题,本文在特征提取半监督深度学习模型的基础上进行改进,在半监督深度学习框架中的卷积神经网络的损失函数上引入₂L正则化项,形成了改进半监督深度学习模型。识别系统的特征提取部分和分类部分都引入正则化,改善了特征提取的过拟合现象并且提高了识别系统的准确度。研究表明,正则化对识别系统的性能有着十分重要的影响,并在表情识别FER2013数据集上进行性能测试。试验结果表明,在分类器相同的情况下,改进的深度学习算法优于未加正则化项的半监督深度学习模型。