随着计算机技术和计算机视觉的迅速发展，人脸表情识别算法在人机交互环节中充当着重要角色，有着非常广阔的应用前景。人脸表情识别算法可以统计学生在课堂上的听课状态、记录司机在驾驶过程中的疲劳程度、捕获危险分子在公共场所的异常表情避免不必要的事故等等。提高人脸表情识别算法的准确率是人脸表情识别领域的重要任务。
　　选择合适的网络结构和损失函数对于提高基于卷积神经网络的人脸表情识别算法的准确率至关重要。人脸表情存在类内特征差异性大、类间特征相似度高的问题；传统的卷积结构有大量的参数，计算量较大。针对这些问题，本文在传统损失函数的基础上提出了一种基于余弦距离的损失函数，可以实现减小特征空间中类内特征差异、增大类间特征分布，提升了特征判别效果。同时，本文基于深度可分离卷积设计了一种网络结构，在很大程度上缩减了参数量，精简了网络模型。
　　本文设计的基于卷积神经网络的人脸表情识别算法，采用的是深度可分离卷积神经网络结构，使用超参数λ取0.01、λ1取10的余弦距离损失函数进行监督训练。经过大量的实验和分析，该算法在RAF-DB人脸表情识别数据集上取得了83.196%的人脸表情识别准确率，效果优于传统损失函数监督训练的人脸表情识别算法，验证了本文所提出的算法在人脸表情识别任务中的优越性。
　　在论文最后介绍了本文提出的算法应用于人脸表情识别系统的搭建过程以及实现效果，该系统可以实时识别网络摄像机视频流中人脸的表情，对于存在一定偏转角度和遮挡的人脸，也具有较高的识别精度，验证了本文提出的算法的可行性。