在过去的十年里,深度学习算法的快速发展使得包括人脸表情识别在内的计算机视觉技术取得了出色的表现。人脸表情识别广泛应用于各个领域,例如教育、医疗和安防等。尽管基于深度学习的表情识别算法有效地提升了识别的性能,但对于实现真正意义上的可靠表现依旧面临着诸多挑战。考虑到实际应用中复杂场景对识别性能的影响,本论文研究了多面部姿态下的人脸表情识别,设计实现了基于深度学习的不同人脸偏转角度下表情识别模型。首先,本论文提出了一种轻量化的人脸表情识别算法。通过使用空间仿射变换进行图像预处理,实现偏转人脸的面部对齐,提升卷积神经网络模型对人脸关键表情特征的提取能力。同时,考虑到深度学习模型的网络复杂度通常较大,本论文设计了一个全卷积神经网络实现表情识别。通过组合不同尺度感受野的特征提取模块,结合全局平均池化层,设计实现的算法在大大减少模型参数的同时,保证了人脸表情识别的性能。其次,为了进一步解决人脸偏转导致的特征丢失问题,本论文提出了基于三方对抗的面部融合生成对抗网络实现人脸矫正。通过引入额外的生成器,加强网络的训练对抗强度,提升了正面人脸合成的效果。在本论文设计的生成对抗网络中,第一个生成器通过关注面部的上部和下部以捕获面部细节特征,然后将解码得到的上下两部分高维特征信息与多尺度人脸编码特征一起输入到第二个生成器中。在两个生成器与辨别器的不断对抗中,合成出不同偏转下人脸对应的正面视角。该算法通过使用预训练的网络模型对原始人脸进行编码,提取的特征由两个生成器中的解码器共享,有效地降低了模型的复杂度,减少了模型的训练难度。最后,结合人脸表情分类器和人脸矫正算法,本论文提出了基于生成对抗网络的三阶段训练算法。在第一阶段使用正面人脸样本训练完成表情分类器后,加入到第二阶段的表情保持生成对抗网络中,保证了合成正脸与原始人脸表情的一致性。为了充分利用原始表情信息,第三阶段将原始人脸与其对应的合成正脸进行特征融合后重新训练分类器,实现了在多面部姿态下的人脸表情识别。对于卷积神经网络模型,三阶段训练算法能够有效解决人脸偏转时特征提取不佳的问题,从而提升了模型的识别能力。相比现有方法,实验结果表明基于三阶段训练算法的多面部姿态表情识别取得了最好的识别准确率。