个性化教育是当今国内外高等教育的研究热点,而个性化教育的成功有赖于对培养对象综合素质的有效评估和制定相对应的个性化培养方案,因此培养对象综合素质的有效评估成为关键之一,而通过长时间评估与分析被测对象的表情情绪变化可推演其综合素质,其中基于深度学习的表情识别算法逐渐崭露头角。到目前为止,深度学习表情识别算法的准确性有赖于数据集的数量、质量以及个性化程度。但是,从图像采集到专家标注的传统表情数据集的创建方法存在经济成本高、耗时长且难以规避标注的主观因素影响等难题。研究表明,更丰富的个性化表情数据集可以有效提升识别准确度,而表情合成针对传统数据集创建方法的不足,提供了一种能够创建个性化数据集的有效途径。在表情合成的研究中,对合成图像的真实性和自然感的把控,始终是该研究领域的一大难点,同时表情合成的研究还存在对设备要求高,目标图像的身份信息与样本库图像的表情信息的缺失,合成数据真实性的量化验证不明晰等问题。为此,本文在完成数据预处理的基础上,重点开展以下三个方面的研究:（1）基于渐进式生成对抗网络的身份特征与表情特征分离。针对身份特征与表情特征两大类特征存在分离不彻底的问题,采用渐进式生成对抗网络,生成不同分辨率层级图像,构建此图像的反馈网络,并获取了各个分辨率层生成图像所对应的特征潜码,实现表情图像中身份特征与表情特征的分离,提高人脸属性编辑的精确度。（2）基于样式生成对抗网络的表情合成。针对合成图像信息扭曲和缺失等问题,采用Style GAN2网络模型,将目标人脸图像中表征其身份信息的潜码与源表情图像中表征其表情信息的潜码,进行两类特征潜码的融合,并依据融合结果所指引的图像生成方向,生成融合特定表情的目标人脸图像,保证合成图像与原始图像身份信息的一致性。（3）合成图像真实性的量化验证。针对合成图像的客观量化验证指标不清晰的难题,利用验证数据集的原始图像与对应的合成图像,采用SSIM评估、FID距离以及问卷打分的方法进行真实感验证,得到合成图像与原始图像的相似度,从而验证了图像的真实性与合成方法的有效性。在CK+数据集上的实验验证结果表明,基于本文的表情合成方法在六大类常规表情上的表现为:合成图像与原图像在SSIM相似度上得分平均值为90.31,FID平均距离为39.78。同时对于开心、惊讶等动作幅度大的表情有更好的合成效果,其合成图像与原图像的SSIM相似度最高得分为96.35,FID最小距离为34.51。