近年来,人脸表情识别技术在许多领域得到了广泛地应用,涉及我们日常生活的方方面面,比如说在商用领域可以判断顾客对商品的喜爱程度、在医疗康复领域可以帮助有心理疾病的患者更好地康复、在教育领域可以监测学生的上课专注度、在智慧交通领域可以防止疲劳驾驶从而减少交通事故。然而,在实际应用的过程中,采集到的人脸表情图像存在光照强度不同、复杂背景过多等情形,导致人脸表情识别率的降低,很难满足实际需求。为了解决这一难题本文基于Le Net卷积神经网络(CNN)以及连续卷积的思想提出了一种改进的卷积神经网络,再通过对图像进行人脸检测、裁剪以及归一化等预处理进一步增强人脸表情识别的鲁棒性,以下是本文的主要研究内容:1.针对表情识别率较低的问题,本文利用连续卷积的思想改进了经典的Le Net卷积神经网络,从而提出一种具有连续卷积的新的卷积神经网络(Succession Net模型)。连续卷积可以增强卷积神经网络的非线性表达能力,从而提升表情识别的鲁棒性。为了验证Succession Net模型的优势,本文将该算法模型与Le Net模型以及非连续卷积神经网络(Deep Net模型)进行了仿真对比实验。同时,将该算法模型与其他一些经典的卷积神经网络模型也进行了仿真对比的实验。最后实验结果表明,本文算法与Le Net和Deep Net相比识别率有所提升,其训练收敛的速度虽然没有原始的浅层网络Le Net快但是相较于加深网络Deep Net有明显的提升。而且通过与其他经典网络的对比可以看出本文算法识别率具有一定优势。2.针对在实际应用的过程中采集的人脸表情图像存在光照强度不同、复杂背景过多的问题,本文采用深度学习方法中的Face R-CNN方法进行人脸检测,该方法基于Faster R-CNN框架,针对人脸检测的特殊性做了优化。通过设置人脸检测框的大小范围,将检测到的人脸裁剪出大小不同的两组图像,并将其保存到文件夹中。再对两组图像进行归一化等预处理,之后分别将包含复杂背景和仅含人脸信息的两组图像输入到本文提出的Succession Net模型当中训练,最后通过训练识别率曲线可以验证本文图像预处理方法的有效性。