在驾驶员疲劳检测、教育和人机交互等应用领域,理解人类情绪的状态或者目的是必要的。由此,研究者向人脸表情识别投入了更多的关注。大量研究已经证明了对于解决识别任务,基于卷积神经网络方法是强大且成熟。但是,当我们把上述理论应用于多姿态人脸表情识别任务时,依然会存在很多问题。事实上,不同姿态下人脸重要的局部区域会有所不同,而现有深度学习框架中的注意力机制对这些局部区域的鉴别性信息的关注度不足;另外,人脸表情识别面临的一个常见问题未得到有效的解决,即两种相似表情间的差异不大,容易发生相互混淆。为了解决上述问题,本文提出了LGA-GCN人脸表情识别框架,该框架能够利用滑动块注意力重复性学习局部区域的重要信息的同时,应用图卷积神经网络描述表情之间依赖关系。在第三章提出了滑动块注意力网络LGSBAN。考虑到与原图相比,中高层特征尺寸更小,包含更具鉴别性的特征,LGSBAN选择中高层特征作为全局图,通过滑动窗口将全局图分割成子图,其中这些子图定义为滑动窗口块,每个滑动窗口块均与其邻近滑动窗口块有重叠部分。接着,利用多个注意力模块对滑动窗口块和全局图进行加权,以适应人脸多姿态下的表情识别。实验表明了本文提出的LGSBAN-AM方法的人脸表情识别准确率高于其他的先进理论。为了更好地辨别相似的人脸表情,本文在第四章建模表情之间依赖关系,利用图卷积神经网络更新这种依赖关系,并获取表情分类器。具体而言,表情之间依赖关系取决于RAF-DB数据库中复合表情标签占所有表情标签的比例,进一步通过调节阈值抑制了低比例复合表情标签。在图卷积网络更新迭代过程中,过度平滑将导致当前节点特征的稀释。为了缓解这个问题,提出了重新加权邻接矩阵的方案。图卷积神经网络（GCN）和滑动块注意力网络（LGSBAN）组成本文的整体框架LGA-GCN。该框架结合表情分类器和LGSBAN输出的局部和全局融合外观特征,得到最终的人脸表情预测结果。最后,根据三个相同多姿态数据库上的实验结果,我们观察到LGA-GCN方法相比于LGSBAN方法,在RAF-DB上识别率提升了1.24%,在FERPlus上识别率提升了0.35%,在Affect Net上识别率提升了1.54%。原因在于LGA-GCN通过引入表情之间依赖关系抑制了相似表情间混淆,同时通过滑动块注意力关注了局部和全局外观特征。