表情是人类表达情感的重要非语言行为,无法抑制与伪造的微表情能够提供相比于宏表情更多的真实信息。微表情的持续时间极短,肉眼几乎无法捕捉,利用这个特性,微表情可用于测谎、心理咨询、国家安防,甚至于新型课堂教育中。日常生活中,除非经过专业的训练,想要人为判断微表情是非常困难的。而一位专业识别微表情的心理学家被培养起来也十分困难。于是如何利用机器自动识别微表情便成为了当下一个热门的研究方向。传统微表情自动识别方法大多需要预先手动对人脸浅层特征进行提取,这会加大很多工作量,并且还会存在丢失部分图像信息的问题,导致识别准确率达不到预期目标。近年来机器学习由于具有出色的特征提取与分类能力,被越来越多学者应用于图像分类识别领域。微表情识别作为其中的一个研究方向,相较于传统的分类识别方法,在准确率上也取得了不错的成果。不过,机器学习同时也伴随着参数爆炸、过拟合、硬件要求高、模型训练速度慢和无法保障实时性等问题。本文针对这些问题,提出了使用一种改进自原本用于分类处理一维数据的随机配置网络的,能够直接处理二维图像数据的二维随机配置网络来对微表情进行分类识别。其在保证准确率的同时,还降低了硬件的要求,提升了模型训练的速度。现有公开的微表情数据集还不够完备,微表情样本数量不多,样本中人脸位置不统一等问题仍然存在。本文对采用的原数据集进行预处理,完成人脸切割,对齐,图像归一化,数据集扩充等操作。对应用于图像处理较为广泛的几种典型神经网络进行对比学习,发现传统深度神经网络中存在参数过多导致计算量巨大,网络结构复杂易产生过拟合,模型训练速度较慢等问题,提出了使用一种基于增量式单隐层随机权前馈神经网络改进的二维随机配置网络来分类识别微表情,构建了可以直接输入图像、适用于微表情识别的2DSCN网络。通过与基础随机配置网络以及几种典型深度神经网络进行实验对比,说明二维随机配置网络在微表情识别上具备良好的泛化能力,可接受的有效性以及足够的效率。