人脸表情是人类传递情绪状态最自然和普遍的方式,包含着丰富的情感信息。自动人脸表情识别在情感识别中扮演着至关重要的角色,拥有广泛的应用前景,包括人机交互、心理分析等。而人脸检测作为自动人脸表情识别的前提和基础,具有同等的重要性。随着人工智能技术不断取得突破性成果,利用深度学习,探究有效的人脸检测与表情识别方法已成为计算机视觉领域的研究热点。近年来,大部分人脸检测与表情识别方法以受控实验室环境下采集的数据集作为研究对象,并取得突出成效。然而,由于真实自然环境下的人脸图像存在复杂背景、光照强度、局部遮挡、头部姿态、尺度差异等外部环境影响,以及个体身份不同带来类内差异,导致现有方法直接应用于自然环境时,人脸检测与表情识别的准确率始终难以获得期望的结果。针对上述自然环境下人脸检测与表情识别存在的问题,以自然环境下采集的数据集为实验对象,分别研究并构建了相应的人脸检测与人脸表情识别方法,本文所做的主要工作如下:(1)考虑到YOLOv3突出的通用目标检测能力,本文提出了一种基于YOLOv3的人脸检测方法。为了使其适应于人脸检测,选择Softmax作为分类判定函数,适当更改原始方法的损失函数,并减小检测层上特征图的维度。在FDDB数据集上实验测试结果表明,本方法相比于Face Boxes和MTCNN来说,平均准确率分别提高1.38%和2.56%,提供了更好的人脸检测性能。(2)针对自然环境下人脸表情识别存在的问题,基于生成对抗网络,本文提出一种跨域图像生成的表情识别方法。以跨域方式先将原始输入图像翻译为具有相同语义的手绘图像,再以此进行表情识别。并构建了相应的网络模型、目标函数和训练算法。在RAF-DB数据集上实验表明,本方法相比于AUG-CLOSS和DLP-CNN而言,平均识别率分别提高1.26%和2.79%,证明本方法是有效的。(3)为了直观展示所提出的人脸检测与表情识别方法的实际效果,设计了相应的系统。系统以自然环境下采集的图像作为输入,并利用Electron和Python实现了人脸检测与表情识别的可视化操作,验证了本文所提方法的有效性。并将其应用于学生网课学习中的专注度评估,具有一定可行性和应用性。