脸部表情生成技术持续的研究,在图形、视频、动画方面取得了长久的进步。人的脸部特征提供了大量丰富的信息,是身份识别与情感表达的重要关注部分。在实际生活中脸部表情生成技术有广泛的应用,如娱乐影视制作、计算机动画合成,以及医疗美容模拟等,得益于图像变形技术的发展,以及深度神经网络模型的发展,只需要建立生成式模型就可以减少人工建模的繁杂操作,所以脸部表情生成技术有着广阔的发展前景。本文的主要工作围绕表情生成技术研究中存在难点展开,本论文的研究对表情生成的三个方面进行了改进。一是连续性的表情生成控制方法;二是支持类别间转化(不同表情)和不同类型转化(不同风格)的方法;三是图像效果评价的量化方法与生成质量的优化策略。对于传统脸部动画表情生成技术金钱人力成本高,后期修改维护困难的问题。在框架中采用类似于对抗生成网络中的CycleGAN的结构,并在其结构的不同部分加入表情参数的控制。在模型参数上设计的结构较为简单,运行速度快。生成对抗网络开创性地结合生成式网络和生成式网络进行数据生成,但生成对抗网络的生成方式限制较少,导致大量图像像素的情况下网络易失控。对于这一问题,本文设计了一种弱监督的控制的机制,且这种控制是一种连续的控制。在实验过程中,对于表情的数据库由于隐私、自发性等问题,其数据量小,而且多为实验室环境的录制的,不同的数据库之间的差异比较大的问题。我们使用openface和face++工具,制作出表情生成训练的大批量的数据库方便了后续人员的研究。同时我们给出了图像效果评价的量化方法的主客观全面评价的方式,供后续人员参考。最后本论文分析比较了多个对应表情生成框架的区别,本论文的框架在连续控制,跨域转换上有优势。在FFHQ、Oulu-CASIA和Danbooru2018数据库上进行实验,在主观客观的指标上,验证了框架的有效性。