数据是我们今天生活中的一个重要部分,从道路到医院、再到餐馆,深度学习是数据模式提取最有效的方法之一。图像检测在专家证据、植物识别、肿瘤识别、人脸识别等领域的应用越来越广泛。本文以人脸情感识别为研究对象,针对不同种族的人脸,深度学习方法仍存在稳定性和无限可行性问题。本文的主要研究内容和创新点如下:首先,阐述了本文的研究背景和对人脸检测领域的贡献。面部表情识别属于监督学习领域,我们提出了一种新的基于瓶颈特征提取(BFE)的深度神经网络(DNN)情感识别系统模型,用来检测给定面部图像蕴含的情感,重点是通过最佳特征选择来提取数据模式。在BFE预处理部分中,我们使用了 Haar分类器从图像中提取人脸,并且还使用了这种方法来去除图像的背景。提取图像后,由Haar分类器裁剪到训练目录中。Haar的目标是使用Adaboost和级联进行面部检测。其次,在图像的特征提取中,我们强调了不同的变量,例如颜色特征、纹理特征、基于几何和形状的特征,以及拓扑特征。然后使用数据论证来解释特征提取,并通过VGG16转移学习模型特征提取。具有五个密集层的DNN模型用于训练VGG16提取的特征,并使用著名的CK数据集进行模型训练。为了评估模型的性能,我们复现了 K近邻和Logistic回归模型进行对比。最后,在相同数据集上训练后,我们将该模型与K-近邻和逻辑回归模型进行了实验比较。结果表明,与其它方法相比,该模型具有更高的精度和F-测员精度,高达98.59%。在未来,BFE有望为复杂输入图像提供鲁棒的瓶颈特征。我们也相信这种BFE技术可以在任何情况下应用于其他图像识别领域。