对于图像情绪识别研究而言,图像情绪数据是进行情绪识别研究的基础,良好充足的图像情绪数据可以降低噪声的影响,提取到更优的特征,图像情绪数据不足会影响情绪识别结果;图像情绪识别算法是进行情绪识别研究的工具,帮助达到提取特征、情绪分类的目的,高效可靠的情绪识别算法可以得到更快更优的情绪识别结果。对于传统的图像数据扩展算法而言,算法思维有一定的局限性,例如只对图像数据进行图像增强扩展或者只进行虚拟图像生成扩展,最终扩展后的图像数据类型单一,多样性不足,以此为基础展开了关于图像数据扩展算法的研究;对于传统图像情绪识别算法而言,将图像情绪数据集导入抽取特征后,直接对抽取到的特征进行分层分析处理,弱化了各层特征间的关联,以此为基础展开了关于图像情绪识别算法的研究。本文的具体研究内容如下:（1）IE-GAN图像数据扩展算法研究。首先介绍了关于生成对抗网络模型及图像增强算法的相关理论知识。然后以获得更充足多样的图像情绪数据为目的,本文学习生成对抗网络博弈训练、生成虚拟图像的特点,将上采样与多层卷积操作结合,重构生成对抗网络生成器模型,将池化与多层卷积操作结合,搭建生成对抗网络判别器模型,同时融合图像标准化、图像翻转、随机亮度、随机对比度等图像增强算法形成图像增强生成对抗网络（Image Enhancement Generative Adversarial Network,IE-GAN）。此外,在识别验证阶段,结合VGG网络与注意力机制提出VGG-AM识别模型架构,为后文识别算法模型改进提供理论基础。通过对原始图像数据集及IE-GAN算法扩充后的数据集,进行识别对比验证实验,比较得出IE-GAN算法扩充后的数据集识别率最高,达到扩展原始数据集的目的。（2）基于SCAM神经网络的图像情绪识别算法研究。首先介绍了X-ception网络模型及注意力机制的相关理论知识。随后,本文以分层优化特征为出发点,结合X-ception网络模型和注意力机制,提出一种基于可分离卷积注意力神经网络（Separable Convolution Attention Mechanism,SCAM）的图像情绪识别算法。该方法对不同卷积层特征进行筛选,学习X-ception网络模型建模后的情绪识别机制,引入用于筛选特征的注意力机制模型,进而构建图像情绪识别模型。最后通过对原始数据集及IE-GAN算法扩充后的数据集进行识别对比实验,比较得出SCAM模型的情绪识别效果最佳,充分证明了该方法在图像情绪识别任务中的有效性。（3）图像增强及情绪识别系统设计实现。结合图像增强算法及情绪识别模型文件搭建了图像增强及情绪识别系统,可以用于展示图像增强效果及情绪识别效果,实现了理论与实践结合的目的,丰富了本文研究的实用价值及可推广性。