人脸表情识别技术在人机交互、智慧交通和医疗等领域有广泛的应用,在计算机视觉和深度学习等领域也取得了越来越多的关注。人脸表情识别的核心技术之一是图像特征表达,目的是提取到辨识力高、鲁棒性强的特征。现已有众多学者针对人脸表情识别的关键技术开展了一定的研究工作,但在提高识别精度方面仍然是一个巨大的挑战。本文以人脸表情识别技术中的特征学习和显著性区域检测等关键问题开展研究工作,提高了识别方法的精度。主要研究内容如下:（1）研究基础的卷积神经网络提取特征的方法用于人脸表情识别。传统方法直接使用卷积层输出的特征图作为图像特征向量,这类向量维度高、泛化性差,不利于实际应用。本文研究了基于池化、多尺度局部池化和聚合等步骤构建特征向量的方法。通过实验比较分析了几种方法的优点和缺点,重点分析R-MAC的CNN图像特征较传统的图像特征在人脸表示识别中的优势,为人脸表情识别系统选取卷积神经网络提供参考。（2）研究一种基于多层级显著性区域检测的方法用于人脸表情识别。对视觉注意力模型和人脸图像中的显著性区域进行了分析,并设计了一个用于处理多层级特征图的编码网络。所设计的神经网络由图像特征提取网络和多层级显著性区域检测网络两个部分组成,分别用于神经网络不同层级特征图的提取和显著性区域检测。该方法能够同时结合图像的浅层特征和深层语义特征预测特征图的显著性区域,相比基于单层级的显著性区域检测等方法,具有更高的鲁棒性能。通过实验对比和结果分析发现,在FER 2013和RAF-DB数据集上取得了73.06%和81.86%的分类精度。（3）研究一种基于Triplet网络结构的图像特征学习方法用于人脸表情识别。针对传统基于卷积神经网络的人脸表情识别方法不能有效学习图像类内差异和类间差异的问题,研究构建适用于人脸表情识别的Triplet数据集,并基于Triplet损失函数训练卷积神经网络,得到的模型能够最小化同类别图像在特征空间中的距离,同时最大化不同类别图像在特征空间的距离。该方法为解决人脸表情识别的类内和类间差异不均衡问题提供了解决方案,通过在FER 2013和CK+人脸表示识别数据集上进行实验,精度达到75.61%和97.85%。结果表明所设计的方法能有效提高人脸表情图像的分类精度。