基于动态的表情识别旨在将给定的视频分为几种基本的表情类别。在逐渐智能化的未来,情感识别必将渗入到更多的生活场景中,动态表情识别在人机交互中更发挥着至关重要的作用。人脸表情结构复杂、细节多变,难以一概而论,这使得表情识别极具挑战性。对于动态人脸表情识别,由于面部肌肉及纹理在时序上的动态变化往往难以捕捉,而且视频中的时间信息不能被完整地利用,从而导致整体的识别性能欠佳。本文以提升动态表情识别模型的准确性和鲁棒性为目标,构建了两个网络模型来实现动态表情识别。论文的主要研究工作如下:（1）研究了基于深度残差网络的动态表情识别。首先对不同深度的残差网络（Residual Network,Res Net）进行了研究,构建了四个不同深度残差网络的动态表情识别模型,该模型输入为连续的图像序列,将特征提取和分类整合在一个模型中,实现了端到端的动态表情识别;其次使用上述构建的四个动态表情识别模型在新生儿面部疼痛视频数据集上进行了实验;最后通过分析四个模型的表情识别准确性和模型收敛速度确定了进行改进的基准残差网络。（2）提出了一种基于表征流嵌入的深度残差网络（Residual Network Embedding Representation Flow,Res Net-ERF）。在深度残差网络中嵌入表征流层,将残差网络卷积层的输出特征图作为表征流层的输入,通过估计特征图之间的光流,使得网络模型能快速学习视频时间域的运动表示,获得视频空域和时域的融合信息。另外,相比于计算RGB图像之间的光流,特征图之间光流估计的计算量大大减小了。实验结果表明,基于表征流嵌入的深度残差网络不仅实现了端到端的训练,并且有效利用了视频中的时间信息,在新生儿面部疼痛视频数据集上的准确率达到了64.00%,比基准残差网络提升了8.00%。在AFEW和e NTERFACE’05数据集上的准确率分别为45.67%和53.75%。（3）为了提高Res Net-ERF的可解释性,提出了一种基于帧注意力机制的表征流嵌入网络（Residual Network Embedding Representation Flow with Frame Attention）。在Res Net-ERF中加入了帧注意力机制模块学习各个帧的多个关注权重,用于自适应地聚集特征向量以形成单个有区别的视频表示。经实验验证,在新生儿面部疼痛视频数据集准确率达到了66.50%,在Res Net-ERF的基础上准确率提升了2.50%。另外,在AFEW和e NTERFACE’05数据集上也达到了较好的效果,准确率分别为47.51%和55.42%,相较于Res Net-ERF模型准确率分别提升了1.84%和1.67%。