近年来面部表情识别技术在计算机视觉领域引起了广泛关注,其主要原因是它在人机智能交互、动画表情模拟、驾驶疲劳监测等领域有着广阔实际应用。同时随着深度学习在图像处理方面的不断发展,基于神经网络的表情识别系统识别精度也得到了飞速提升。尽管现有面部表情识别系统已经有着较高识别率,但是大多数都是基于实验室数据库图像获取的,在真实场景下进行表情识别依然是一项充满挑战性的任务。研究者们为解决真实场景下面部表情识别中遇到的问题做了很多探索性工作,但想要真正解决这些问题还面临着严峻的挑战。真实场景下面部表情识别主要面临着几个主要问题,如部分遮挡、光照变化、个体属性差异等,这些问题都是在空间上和表情非线性相关的,因此有效提取相关特征难度很大。为了能够在真实场景下更准确地提取表情相关特征,本文针对真实场景下面部表情识别进行了相关研究工作,其主要工作内容如下:（1）提出一个具有判定机制的多通道卷积神经网络模型,并使用多种策略来解决真实场景中面部表情识别遇到的多个问题。在预处理阶段,利用光照归一化融合策略对人脸图像进行预处理,以提升系统对光照变化的健壮性;随后设计带有决策网的辅助通道来使模型能够提取遮挡较少的重点表情相关区域特征;其次在卷积层训练阶段使用迁移学习算法来对模型卷积层参数进行预训练,以缓解训练数据不足带来的欠拟合问题;最后提出动态加权策略对多通道输出进行融合。在三个公开数据库上的实验结果证实了模型的有效性。（2）深入分析面部表情识别中的遮挡问题,并提出带有遮挡感知能力的卷积神经网络模型。设计区域遮挡判定单元并集成到VGG16网络中,形成用以提取面部图像中未遮挡区域及遮挡较少区域表情特征的遮挡感知神经网络;同时优化残差网络来提取全脸表情相关特征,最后加权融合遮挡感知神经网络和残差网络的输出来进行表情识别。在三个公开数据库上的实验结果证实模型有了明显提升,与传统卷积神经网络模型相比,有效提高了面部遮挡情况下面部表情识别精度。