| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状及趋势 | 第9-13页 |
| 1.3 本文的研究内容与章节安排 | 第13-15页 |
| 2 人脸表情识别预处理及相关技术 | 第15-33页 |
| 2.1 人脸表情数据集 | 第15-17页 |
| 2.1.1 严格数据集 | 第15-16页 |
| 2.1.2 非严格数据集 | 第16-17页 |
| 2.2 数据筛选 | 第17-19页 |
| 2.2.1 基于某种概率分布的筛选策略 | 第17-18页 |
| 2.2.2 基于图模型的筛选策略 | 第18-19页 |
| 2.3 人工神经网络 | 第19-23页 |
| 2.3.1 正向传播 | 第20-21页 |
| 2.3.2 反向传播 | 第21-23页 |
| 2.4 自编码器神经网络 | 第23-25页 |
| 2.5 卷积神经网络 | 第25-27页 |
| 2.5.1 局部感受野 | 第25-26页 |
| 2.5.2 权值共享 | 第26页 |
| 2.5.3 池化（pooling） | 第26-27页 |
| 2.6 循环神经网络 | 第27-29页 |
| 2.7 人脸检测 | 第29-30页 |
| 2.8 人脸关键点检测与对齐 | 第30-32页 |
| 2.9 本章小结 | 第32-33页 |
| 3 基于降噪自编码器的表情识别研究与实现 | 第33-40页 |
| 3.1 堆栈式降噪自编码器 | 第33-34页 |
| 3.2 Dropout | 第34-35页 |
| 3.3 降噪自编码器表情识别网络 | 第35-36页 |
| 3.4 实验与分析 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 基于卷积神经网络的表情识别研究与实现 | 第40-50页 |
| 4.1 一种轻量级CNN人脸表情识别模型 | 第40-45页 |
| 4.2 利用bottleneck特征训练CNN表情识别网络 | 第45-47页 |
| 4.3 微调（fine turn）训练CNN表情识别网络 | 第47-48页 |
| 4.4 本章小结 | 第48-50页 |
| 5 基于循环神经网络的表情识别研究与实现 | 第50-54页 |
| 5.1 图像序列筛选 | 第50-51页 |
| 5.2 CNN+LSTM表情识别方法 | 第51-52页 |
| 5.3 实验结果分析 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 总结和展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士期间获取得的研究成果 | 第62页 |