随着人工智能的快速发展,近年来人脸表情识别在安防智能监控、临床医疗检测、商业营销推荐、网络教育等多个方面都有重要应用,研究准确的表情识别技术具有重要意义。由于人脸表情图像具有细微的类间差异信息和类内公有信息,提取具有判别性的局部特征成为人脸表情细粒度识别中的关键问题。在过去的几年中,基于卷积神经网络的面部表情识别取得了出色的性能,其中训练和测试数据通常被认为具有相同的分布。但是在实际情况中,这种假设通常会被打破,尤其是当训练和测试数据来自不同的数据库时,也就是跨数据库人脸表情识别问题。因此,针对以上问题,本文主要做了如下工作:（1）本文以ResNet-50为基准,提出了基于通道注意力的分层双线性池化残差网络来更好地定位面部表情显著的局部区域变化。该模型采用有效的通道注意力机制显式地建模各通道的重要程度,为输出特征图分配不同的权重,按权重值大小定位显著区域。并添加了一个新的分层双线性池化层,集成多个跨层双线性特征来捕获层间部分特征关系,以端到端的深度学习方式在特征图中进行空间池化,使所提网络模型更适合精细的面部表情识别。（2）本文以注意力分层双线性池化残差网络为基础,提出了基于注意力分层双线性池化的对抗域适应表情识别方法来学习更好的目标域任务分类器。该网络通过集成任务分类器和域分类器,来克服由于任务分类器和域分类器的单独设计而导致的模式崩溃问题,以及由于模式崩溃而造成跨领域对齐特征和类别的联合分布的局限性。该网络有一个新的对抗目标,在输入实例的类别预测和领域预测之间建立相互抑制的关系。学习域不变特征以减轻域偏移,用于跨库表情识别,以应对实际应用中难以获得大量标记数据的问题。