传统人脸表情识别方法仅依靠人工选择的表情特征构造分类器,该方法不仅流程复杂,而且容易丢失表情的特征信息。深度卷积神经网络能够自主地对大量样本进行端对端的学习,从而获得更深层的人脸表情特征信息。针对现有神经网络算法在人脸表情识别应用中存在识别率低下的问题,设计了一种应用于人脸表情识别的九层卷积神经网络模型。通过合理增加卷积层数量以及修改卷积核尺寸,构建了一个应用于表情识别的深度卷积神经网络模型,并进行了仿真实验。结果表明,相比于LeNet-5和VGGNet模型,该模型的人脸表情识别率分别提高了14.93%和4.83%。针对卷积神经网络在现实应用中存在待识别图像易受光照强度和人脸姿态等因素影响导致鲁棒性差的问题,提出了一种基于融合完全局部二值模式特征和CNN特征的人脸表情识别算法。该算法首先采用AdaBoost算法从待识别图像中快速检测并裁剪出人脸图像,再将人脸图像经过灰度化、裁剪和归一化处理,分别提取其CLBP特征和卷积特征并进行特征融合,最后对人脸表情进行分类。结果表明,在实际环境下本算法在提升识别精度的同时,增强了鲁棒性。搭建了基于TensorFlow深度学习框架的人脸表情识别系统。将训练得到的模型移植到NVIDIA Jetson TX2嵌入式平台中,并进行人脸表情识别实验。结果表明,该方法能够克服大部分光照,姿态等因素影响,实现了对人脸表情的实时动态识别。