人脸面部表情携带大量情感信息,能够较好地体现出一个人的情绪状态,人脸表情识别已经成为智能交互、情感计算的关键技术,成为人工智能方向的重要课题,表情识别作为情感信息交流领域重要的感知手段,在病人情绪状态检测、公共领域危险预警、盲人导航等领域有着广泛的应用。人脸表情所具有的细微纹理特征,以及难分辨、易混淆的相似表情,都会导致特征提取不充分、表情分类不准确,人脸表情识别效果受到影响,致使识别率较低,针对上述问题,本文利用深度学习方法,对人脸表情识别进行深入研究,主要工作如下:首先,针对面部表情识别方法特征提取能力不足的问题,构建出更适合人脸表情识别的新型网络Mob＿Inc,该网络借鉴Mobile Net结构的深度卷积(在通道上进行的卷积)方式,并且在深度卷积的基础之上引入Inception思想,通过多尺度卷积、取最大值的特征融合方式提升网络特征提取能力,并结合跳层连接解决过拟合问题,较好地获得了人脸表情含有的细微特征信息。其次,针对面部表情细微特征提取不充分的问题,引入具有较好局部特征描述能力的Dense SIFT,利用构建好的提取能力较强的网络Mob＿Inc提取全局特征、Dense SIFT的128维描述子提取局部特征,将面部表情的全局特征和局部特征进行融合,保证了特征的丰富性、细微性和全面性,有效解决了表情识别任务中特征提取不充分的问题,提升了表情识别的精确度。第三,针对不易区分、易混淆的表情识别率低的问题,本文分析了不同损失函数对特征分类的影响,提出一种新的利于表情识别的损失函数,该损失函数以LP损失函数为基础,引入了隔离损失的思想,融合LP损失降低类内差异性和隔离损失降低类间相似性的优势,减小了类之间存在的重叠性,提高了类别特征的判别性,使不易区分、易混淆的表情识别率有所提升。最后,为了验证本文所提方法的有效性,在背景较复杂的FER2013和背景较简单的JAFFE两个人脸表情数据集上进行实验,并与其他表情识别方法进行了对比,实验结果表明,基于深度学习和Dense SIFT特征融合的识别方法有效提高了表情识别精度,总体精度达到73.2%和96.5%,同时,比较了不同的损失函数对每类表情识别结果的影响,实验表明利用改进的损失函数有效提高了不易区分表情的识别精度。