计算机和人工智能技术及其相关学科的快速发展使得计算机与人之间进行人机交互的需求日益增长。面部表情是人类情绪状态和精神状态的重要表现形式之一,人际交往中有大约55%的信息都是通过表情传达的。因此要让计算机能够理解和表达情感,首先就要能够理解人类的表情。近期,越来越多的研究使用深度卷积神经网络学习人脸的判别性特征进行表情识别。在表情识别领域中,已经提出了几种神经网络体系结构,这些模型大都基于VGG或者ResNet网络结构。比起传统方法,这些结构虽然效果更好,但是模型参数过多且前向传播推导时间过长,这对于许多移动设备来说难以实际运用。因此研究轻量级模型成为新的研究方向。然而当前大多数对模型的轻量级研究在表情中应用得比较少,且即使有应用在表情识别上,识别精确度也不是很高。为了解决目前人脸表情识别存在的问题,提出了一个建设性的解决方案:(1)提出快速降采样特征提取模型,提高人脸表情特征提取能力;(2)设计出一个轻量且准确度相对较高的面部表情识别算法,并通过加入残差注意力机制获取到表情特征关键信息,满足实时处理的要求;(3)提出一种新的损失融合方式,通过将L2_SVM提高泛化能力与中心损失聚拢类内距离的优势相结合,提高表情识别的准确度。研究大致流程如下:在网络的前端使用快速降采样特征提取结构提取表情特征。然后使用类VGG网络,将主干网络改为Xception结构,并加入残差注意力机制作为掩码分支。网络的后端使用新的损失融合算法。最后,实验结果表明,主干的设计确实降低了深层卷积网络的参数量,使得模型的参数量大大降低,并且通过设计的残差注意力结构和损失融合函数有效的提高了表情识别的精确度。