因其在金融安全、临床诊断、公共安全和情感监测等各个领域的广泛应用,近年来自动微表情识别已经引起研究人员越来越多的关注。微表情具有短暂、微弱和不被主观意志控制的特性。自动微表情识别包含微表情检测和微表情种类判别两个步骤,本文分别提出微表情检测方法和微表情种类判别方法。(1)为了从视频中检测面部微表情,针对微表情数据库样本规模较小的特点,通过迁移学习方法将深度卷积神经网络应用于微表情检测问题。选取预训练过的深度卷积神经网络模型,保留卷积层及预训练参数,在其后添加全连接层和分类器,构造一个二分类的微表情检测深度网络MesNet。为了去除微表情数据库中影响网络训练的噪声标签,提出过渡帧的概念和自适应识别过渡帧算法。实验结果表明:MesNet在CASME II、SMIC-E-HS与CAS(ME)~2数据库上的AUC值分别达到了0.9556、0.9338与0.7853,其中在CASME II短视频数据库和CAS(ME)~2长视频数据库上均取得目前最优的结果,表明所提出的MesNet具有精度高和适用范围广的特点;过渡帧对比实验的结果表明构造训练集时从原始视频中去除过渡帧能够有效提高MesNet微表情检测性能。(2)为了判别微表情种类,提出基于深度卷积神经网络和迁移学习的微表情种类判别网络MecNet。为了提高MecNet在CASME II、SMIC和SAMM联合数据库上的微表情种类判别准确率,提出基于自编码器的微表情样本生成网络Meg Net用以扩充训练集。Meg Net使用CASME II亚洲人的微表情样本生成欧美人的微表情样本。Meg Net设计卷积模块实现图像编码,设计基于子像素卷积的特征图上采样模块实现图像解码,设计基于图像结构相似性的损失函数用于网络优化。将生成的欧美人的微表情样本加入MecNet训练集。实验结果表明:使用Meg Net扩充训练集能够有效提高MecNet微表情种类判别准确率。结合Meg Net,MecNet在CASME II、SMIC和SAMM组成的联合数据库上的表现优于大部分现有算法。