随着机器人与计算机技术的快速发展,人脸表情识别已成为研究热点,面部表情识别是机器人自动识别人类面部表情变化的技术,赋予家庭服务机器人去自动认知分析主人情绪的能力。由于表情种类多样且难以准确定义,使得其识别研究具有较强的挑战性。本文针对传统方法需要进行手工特征提取的局限性,不能准确提取有效的人脸表情特征且实际的表情识别系统的效果欠佳。本文提出了基于卷积神经网络模型的人脸表情识别的方法,进行研究与对比分析,有效提高了表情识别的准确度,以及在复杂环境下的识别鲁棒性。主要的研究内容及成果如下:（1）本文提出了改进的激活函数eReLU,此激活函数不仅具有避免饱和函数激活产生的过拟合现象,而且可以使每一层经过激励函数的激励值均值自动归一化到零均值和单位方差,起到自归一化的效果。有效避免梯度弥散的问题,使训练学习过程能快速收敛。最后搭建6层的卷积神经网络,对卷积层和全连接的激励值进行可视化和统计,与其它激活函数的效果进行对比,验证改进激活函数的效果。（2）本文首先对现有的人脸表情数据集进行对比分析,然后是针对现有数据集缺乏老人表情数据的情况,且由于老人面部纹理特征的特殊性,本文初步建立NEU-Emotions老人表情数据集,数据集包含六种基本表情和自然表情。为提高数据集的通用性,NEU-Emotions数据集采用Pascal VOC格式进行标注。（3）对于基于静态图像的表情识别实验,本文提出了 EmotionsNet卷积神经网络用于表情识别,首先是对网络结构的设计进行分析,然后对表情数据集的预处理,针对不同激活函数,不同学习率以及不同Dropout值作对比实验,进而优化的网络模型参数。最后是为EmotionsNet模型添加RPN网络,实现人脸的自动定位,从而实现端到端的人脸表情识别模型。（4）对于基于动态视频序列的表情识别,本章提出了基于CNN-LSTM和C3D混合神经网络模型,对复杂场景下的视频帧进行处理,截取出人脸图像,CNN-LSTM和C3D可分别提取图像特征信息以及帧间运动信息,实现人脸表情的识别。本实验对不同CNN网络模型、不同LSTM参数以及3D卷积网络不同卷积核深度进行对比实验,得到最优参数,有效提高了模型的识别准确率。