随着深度学习的逐步发展和计算机视觉应用领域的不断扩大,基于实验室环境下的非自发人脸表情识别已经不再是一个挑战,学界的研究重点已经转向自然环境下的人脸表情识别。尽管自然人脸表情数据集更加贴近于真实场景,但由于其样本偏小,且存在遮挡、姿态变化、光照不均等外在干扰因素,导致所训练出来的表情分类模型容易出现严重的过拟合现象。目前,如何准确地识别自然环境下的人脸表情已经成为人脸表情识别领域的主要难点之一。本文利用深度学习技术对自然环境下自发的人脸表情识别进行了深入的研究,对现有的VGGNet模型进行了改进,使之更加适用于自然人脸表情识别,并引入了对抗消除方法来提升模型的准确率和鲁棒性。本文的研究内容主要概括为以下几个方面:（1）在VGGNet模型的基础上,提出了一种针对人脸表情识别的模型,VGGFER。该模型的特征融合模块通过将普通卷积与空洞卷积进行特征融合,增加了模型的感受野,拓展了网络的宽度,并保证模型数据分布的稳定。为了缓解人脸表情识别网络的过拟合问题,本文设计了一种正则化策略,并将全局平均池化层、Dropout和附加角度裕度损失函数的特点进行融合,在降低模型参数量和过拟合风险的同时,缩小了同类特征的类内间距,并扩大了不同类特征的类间间距,使人脸表情特征更容易被人脸表情识别网络区分开。（2）在VGG-FER模型的基础上,提出了一种基于对抗消除的人脸表情识别方法,来降低遮挡因素对于模型识别准确率的影响,并进一步提升人脸表情识别网络的准确率。本文所提出的改进的对抗消除方法能够主动地消除输入图像的部分关键特征,生成新的数据集来训练新的具有不同权重分布和特征提取能力的子网络,迫使模型依据不同的特征进行表情分类判别。最后采用基于网络集成和相对多数投票法对生成的多个人脸表情识别网络进行进一步处理,得到最终的分类预测结果。本文所提出的方法在自然人脸表情数据集RAF-DB、FERPlus和遮挡表情数据集FED-RO上进行了充分的验证和分析,并取得了不错的结果。