微表情是人在刻意隐瞒和抑制自己的真情实感时,面部肌肉以极其微小运动表达出的表情。与宏观表情相比,微表情具有持续时间短,表情幅度小,不易于观察等特点。通常一个微表情持续时间为1/25秒至1/5秒,因此很难被捕获到。由于以上特点,给微表情识别带来巨大挑战,即使是经过训练的专业人员对于微表情的判断也处于较低水平。随着计算机视觉的兴起和多个自发式微表情数据集的发布,微表情识别算法得到快速发展。微表情数据动作幅度微小,于是识别算法对于数据质量提出更高的要求。数据质量受采集环境和设备的影响较大,本文引入基于暗通道的去噪算法来提升数据质量。通过理论证明微表情数据满足暗通道先验理论,并将暗通道去噪算法与多种去噪算法应用于微表情数据进行对比。实验结果显示基于暗通道的去噪算法对于数据质量的提升最为显著。运动视频放大技术是一种将视频中“人眼不可见”的微小变化放大后,利于观察和识别的技术。本文基于运动视频放大算法将微表情特征放大,从而便于对微表情识别和分类。随着深度学习的发展,基于卷积神经网络自主学习数据特征也可用于运动视频放大。本文首先通过理论分析证明运动视频放大技术应用于微表情识别的可行性,然后通过实验对比基于相位和基于深度学习的运动视频放大算法效果,并引入结构相似性参数评估放大后数据的图像质量。实验结果显示基于深度学习的运动视频放大算法取得更好的效果,利于提高微表情识别的准确率。本文结合运动视频放大、图像空间和时间序列特征提取技术,提出一种基于运动放大的短时记忆网络(Motion Magnification Short-Term Memory,MMSTM)用于微表情分类。网络结构可分为两部分,空间特征提取模块和时间特征提取模块。空间特征提取模块基于卷积神经网络设计,在完成微表情空间特征提取的同时将空间特征放大后用于微表情分类。时间特征提取模块基于长短时记忆网络设计,提取微表情序列的时间特征增大分类准确度。本文以CASMEⅡ数据集作为评估数据集,采取留一被试者交叉验证方法计算模型分类准确度、召回率和Macro-F1-score等多个评估参数。本文计算多个运动放大系数的分类评估参数和混淆矩阵,用于分析运动视频放大网络对分类结果的影响。提出的基于运动放大的短时记忆网络有效改善因微表情与面部编码单元并非一一对应关系而造成的误分类问题。经实验证明,本文提出的MMSTM网络在留一被试者交叉验证中,Macro-F1-score取得57.42%的成绩。