在人类日常生活中,面部表情在非言语信息传递上,扮演着重要的角色。随着人工智能的迅速发展,面部表情识别的研究在心理学、模式识别和图像分类等领域有了重大的突破。近些年来,越来越多的深度卷积神经网络被应用在表情识别领域中。尽管更深更复杂的卷积神经网络有很多传统的表情识别方法无法比拟的优点,但是更深更复杂的表情识别网络结构需要更多的卷积参数和卷积运算,参数量和算力消耗增大,使得存储空间和运行速度受限,无法完成高效的人脸表情识别,更无法将庞大的网络模型移植到嵌入式平台。因此如何解决表情识别网络模型精度与算力、存储空间的矛盾,构建一个低功耗、高精度的表情识别网络模型,在目前的研究中有着重大的意义。本文针对应用于表情识别的卷积神经网络模型展开研究,进行了以下工作:（1）针对表情数据不平衡所带来的问题,本文提出了融合式渐进损失函数算法。该方法根据交叉熵损失函数在不平衡数据分类效果差的缺点,融合改进后的角损失函数（Angular loss）,实现表情数据类间差异的区分,并使得在训练过程中逐渐缓解表情数据类别不的问题。该算法分别在RAF-DB等表情数据上进行相应的实验,验证了融合式渐进损失算法的有效性。（2）针对表情识别网络模型参数量大、计算需求高等问题,提出了一个低消耗、高精度的轻量级网络。使用改进后残差结构重新构建表情识别网络,该结构在空间维度和通道维度上的特征分别映射后组合,提高了模块的参数使用率,参数量和计算量有明显降低,并使用知识蒸馏的方法来指导轻量化模型的训练,使得该模型可以学习到数据的输入与输出的映射关系,以提升模型的精度。在表情数据上验证表明,蒸馏后的轻量化表情识别模型拥有更高的精度和性能。（3）结合提出的轻量化表情识别模型开发一款面部表情识别系统。本系统结合改进后的MTCNN算法,以检测人脸区域,将提取的图像预处理后送入表情识别网络,使用表情识别网络进行表情的分类预测后输出结果,实现从原始图像到人脸表情识别的系统流程。并在相关平台上进行了实验,均取得了优异的结果,证实了本文的研究成果具有一定的工程实践价值。