面部表情识别对于机器解析人的状态和行为至关重要,在机器人研发、心理营销学、人机交互、教育、安全等诸多领域中有难以替代的应用价值。虽然自然场景下的面部表情识别依靠深度学习模型强大的对于海量数据的学习和表示能力取得了长足进步。但是,在收集大规模面部表情数据集时,不可避免地会产生一些来自图像数据本身、错误标签或表情固有混淆性的噪声,并导致模型退化。为了缓解这个问题,本文研究了基于标签置信估计和多网络联合训练的表情识别算法、基于标签置信度估计和知识蒸馏的表情识别算法,用于对带有噪声的数据集进行面部表情识别。该方法的主要创新和贡献如下:（1）提出一种联合表情分类网络与标签置信度估计网络的统一框架用于抑制表情数据集中的不确定性。表情分类网络采用经典的卷积神经网络（CNN）,并由标签置信度网络估计的具有高置信度的样本训练。而标签置信度估计网络采用多层感知机（MLP）,由从表情分类网络中提取的样本特征和类别特征进行训练。（2）提出一种新的标签置信度估计方法。该方法以交叉验证作为基础,根据深度学习提取的样本特征与类特征之间的相似性来探索样本标签的可靠性,有效克服难样本、噪声样本和过拟合对置信度估计的干扰;（3）提出一种自适应的标签修正策略。该策略根据各类的平均置信度为阈值,综合考虑样本原始标签和置信度最高的标签,来判断标签是否修改为后者,可以有效克服类不平衡的问题;（4）提出一种新的软标签生成方式和知识蒸馏过程。该过程把标签置信度估计网络中丰富和独特知识以基于响应的方式蒸馏到表情分类网络中,不仅提高了表情分类网络的表征能力和泛化能力,而且通过对表情固有混淆性的拟合进一步抑制了表情识别中的不确定性。本文提出的方法在RAFDB数据上的准确率为88.79%,比同类研究中的最好水平略高0.03%;在FER2013数据集上的准确率为71.75%,在相同的骨干网的情况下高于同类研究的最好水平2.65%;在噪声实验上结果远高于同类研究。通过在上述两个自然场景下面部表情识别数据集上进行的大量实验,证明本文提出的基于交叉验证和多网络联合训练的标签置信度估计方法可以有效抑制表情识别中的不确定性。