近年来,随着“大数据”时代的来临和计算机处理能力不断提升,人工智能领域进入飞速发展阶段。面部表情是表达人类意图的最主要的非语言手段,以计算机技术为基础的面部表情识别研究旨在让机器理解人的情感,在人机交互和计算机视觉领域有着重要的研究意义和应用价值。获取大规模高质量的数据集始终是面部表情识别研究上的难点之一,对现有的原始数据集进行优化是解决这个问题的一个有效方法。我们可以将其分为两个子任务:一是扩充原始数据集;二是提高图像样本的质量。本文基于深度学习技术,分别从数据的数量和质量两个角度出发,设计了相应的面部表情识别模型。针对数据的数量问题,提出了基于关键信息剪裁的面部表情识别方法。本文从数据增强的角度,解决FER领域缺乏完全标注的大规模数据集的问题。同时,充分考虑视角信息对面部表情识别的影响。本文提出了基于关键信息剪裁的视角感知神经网络模型（Meaningful-cropping View-aware Neural Network,MCVNN）,提出了基于关键信息剪裁的数据增强方法,能够在保留面部表情特征的同时,将原始数据集扩大4倍,获得的面部分块与人脸侧面视图有着高度相似性;同时,提出了视角感知模型,在Dense Net的基础上,设置不同的视角作为驱动网络的附加信息。最后,实验评估结果显示,提出的MCVNN模型在CK+和MMI数据集上,将现有模型的识别率分别提升了0.94%和3.28%。针对数据的质量问题,提出了基于ESRGAN图像生成的面部表情识别方法。本文从图像增强的角度,来解决面部表情识别领域缺乏高质量数据集的问题,采用ESRGAN对分辨率较小的原始表情图像进行图像增强处理,获得分辨率明显提高的生成图像;使用生成的图像来训练VGG、Res Net、Dense Net等深度网络,并在原始数据集上进行测试。最终的实验评估结果表明,基于图像增强的方法可以提高面部表情图像的分辨率,并且对于识别准确度的提升是有效的。