近年来,随着硬件系统的飞速发展,计算机的计算性能有了极大提升,为基于神经网络的表情识别研究奠定了基础。神经网络拓扑结构的不断加深和拓宽使表情识别的准确率也不断提高,但高额的计算负担始终困扰着相关算法在边缘硬件及移动端的部署,如笔记本电脑、嵌入式硬件等低算力平台。因此,如何实现基于神经网络的表情识别算法在低算力平台上的部署,实现边缘硬件的智能化,成为了亟待解决的问题,本文针对上述问题展开了研究:轻量级神经网络因其参数量较少,运行速度较快,常被应用于低算力平台的神经网络部署,但由于准确度较低,无法完全胜任各项分类任务。为了提高轻量级神经网络的准确度并尽量减少参数量的增加,本文基于mini＿Xception构建了双输入加权融合神经网络模型,模型主要有两个创新点。首先保持原有输入并加入二值化图像输入,以强化面部肌肉轮廓特征;其次,原有融合层由于采用张量直接相加的方式使得各支路提取特征占比不变,不利于网络学习。为突破上述瓶颈,设计了一种自适应加权融合层使支路神经网络提取到的特征可以通过反向传播算法自动调整比重,且每个残差模块仅增加了两个可训练参数,较好地实现了模型准确度和复杂度间的平衡。在Fer2013和CK+数据集上的测试表明,其准确率分别提高了1.1%,2%。多数公开的表情数据集为单张静态图像,无法实现时空特征的有效提取,而兼顾图像时空特征的长短时记忆（LSTM）网络增加了数据集的整理难度和神经网络的复杂度。为解决上述问题,本文提出了基于概率优化的神经网络模型组合算法,将两个由静态图像训练的轻量级神经网络模型的输出结果作为输入,通过概率优化将两者组合,实现了在一定时间窗口内的高准确率判断。最后通过设计痛苦表情实验,验证了算法在固定窗口时间内的可行性。为将上述创新性算法的应用,本文设计了完整的异常表情监控系统。系统使用Tkinter库设计了GUI,可以实现对人脸的实时跟踪,并应用上述组合算法实现了对人脸异常表情的实时监测和高效预警。