人的面部表情是内心的“直观画板”,人的心理活动和情绪变化都可以通过表情体现出来,因此表情比语言更能清晰的表达心理状态和心理活动。随着深度学习的发展,人脸表情识别技术获得了极大进步,并被广泛应用于智能驾驶、远程教育、智能安防和健康管理等领域,具有较高的实用价值。在人脸表情识别的研究中,运用深度学习的方法训练模型,需要类别均衡且标注准确的数据集,但由于各类表情样本的收集难易程度不同,数据集存在类别数量不均衡的问题,并且由于人脸特征比较复杂,难以精确提取对表情分类有用的特征,影响网络的识别性能;另外,随着网络模型层数的加深,导致模型参数量增大,使得模型的训练和推理需要更大的计算资源和内存开销,影响模型的实际应用。本文针对上述问题提出了两种基于深度学习的人脸表情识别方法,其主要研究内容如下:1、针对人脸特征复杂,难以精准提取有效特征,且数据集样本存在不均衡的问题,本文提出一种基于改进Res Net网络和损失函数的人脸表情识别方法。首先对Res Net50网络进行改进,在网络中嵌入CBAM注意力模块,提升模型的关键表情特征提取能力。然后采用数据集增强和加权交叉熵损失函数的方法优化模型性能,提升数据集中少样本类别的识别精度,进而提升总的模型识别精度。实验结果表明,本文所提出的方法在CK+和Fer2013表情数据集上识别精度分别为95.96%和72.38%,相较于对比方法,本文所提方法识别精度更高,验证了本文方法的有效性。2、针对模型层数加深和网络结构复杂导致的模型参数量大、难以在嵌入式设备部署的问题,本文提出一种基于知识蒸馏的轻量化网络人脸表情识别方法。首先搭建轻量化网络,借鉴Res Net50网络的残差结构,保留四种残差块的数量为2、2、1、1,并使用深度可分离卷积替换残差块中的常规卷积,同时在第一层卷积后加SE模块。然后应用知识蒸馏的方法训练搭建的轻量化网络。实验结果表明,基于知识蒸馏训练的轻量化网络在Fer2013数据集上的准确率为67.40%,相对于网络单独训练提升了2.09%,且轻量化网络的参数量和内存大小仅为Res Net50网络的21%,极大降低了模型参数量,有利于模型在嵌入式设备的部署。3、搭建驾驶员异常情绪检测系统。根据设计的轻量化模型,并调用人脸识别功能库,设计驾驶员异常情绪检测系统,该系统可以识别驾驶员的身份信息,并检测驾驶员的情绪变化。