随着人工智能的发展,人脸表情分析在人机交互、医疗等领域发挥着越来越重要的作用,基本表情(开心、悲伤、惊讶、恐惧、生气和厌恶)的分析技术日益成熟。但依然存在两个问题,一是基本表情难以表达人们丰富的情感,二是基本表情可伪造、可抑制,难以反映人们的真实情感。面部活动单元定义人脸不同区域的肌肉活动,通过面部活动单元组合能够表达更加丰富的情感;微表情作为一种自发式的表情,能够反映人们内心的真实情感。本文针对人脸面部活动单元检测和人脸微表情分析进行了研究。论文的主要研究工作如下:1.在人脸面部活动单元的特征提取上,对比分析了传统方法和卷积神经网络的优劣,并采用迁移学习下的经典卷积神经网络完成面部活动单元的特征提取,实验结果表明该方式下提取的特征相比于其他方法,更加有效;2.本文采用受限玻尔兹曼机建立面部活动单元标签分布,发掘面部活动单元之间的相互关系,并以此建立未标注图像和标注图像之间的联系,将未标注图像加入到模型的训练中,实现了半监督面部活动单元检测;3.对于具有时序信息的面部活动单元图像,本文提出了卷积神经网络和循环神经网络组合的结构形式,利用卷积神经网络和循环神经网络分别提取图像的空间特征和图像间时序特征,实现同时对多张图像进行面部活动单元检测;4.由于微表情具有发生强度低、持续时间短两个特点,对于微表情识别,本文根据人脸肌肉结构进行区域划分,并通过密集采样获取能够表达主要表情变化的人脸特征点,利用光流法量化各个区域特征点的变化,结合以上三点提出了密集采样下光流平均幅度角度特征DS-OMMA,实验结果表明,本文提出的方法在微表情的两个主要数据集上具有目前最好的识别准确率,同时通过特征可视化,进一步验证了本文提出的特征能够更好地描述不同微表情的特点。