随着人工智能时代的到来,人工智能已经全面渗透到生活的各个领域,人类希望计算机不仅可以模拟人的智能,更希望计算机可以描述人的心理活动。面部表情识别是人工心理研究的热点,通过计算机研究人类的心理状态受到越来越多的关注。本文在基于深度学习和Arousal-Valence情感模型的基础上开展研究工作,重点研究了Gabor小波和卷积神经网络特征融合的表情识别方法,以及卷积神经网络多层融合和稀疏表示的表情识别方法。首先,基于Gabor小波在描述图像局部特征的优势,以及卷积神经网络对图像全局特征学习的优势,融合图像Gabor小波特征和卷积神经网络学习到的特征,从而得到新的特征向量。利用Arousal-Valence情感模型维度间的相关性,采用多输出支持向量回归算法进行表情的训练和预测算法。实验结果表明,本文提出的表情识别方法比传统的方法取得更好的识别效果。其次,针对卷积神经网络不同卷积层学习的特征效果不同,浅层特征图含有较多的细节特征,深层的特征含有更多的语义特征,本文提出了基于卷积神经网络多层特征融合和稀疏表示的表情识别方法。该方法充分发掘卷积神经网络各层特征的特点,对卷积层各层特征进行稀疏表示特征选择,稀疏表示特征选择得到特征与情感模型维度标签的权重,筛选出权重较大的特征,从而达到降维的目的。最后融合不同层的卷积层特征,将融合后新的特征向量送入到回归器中训练和预测。对比实验表明,本文提出的基于卷积神经网络多层特征融合的表情识别方法较其他深度学习方法和非深度学习方法学习到的特征,能取得更好的识别效果。