人脸面部表情作为内心情感的直观表现方式,在人们的日常生活、交流中扮演着重要的角色。根据面部肌肉运动幅度大小,表情通常分为宏表情和微表情。其中宏表情持续时间长、幅度大,易于发现和识别;而微表情持续时间短、幅度小,且微表情的产生不受人们主观意识的控制,其不可掩饰的特点能较好的揭示人们的内心情感。因此,通过识别微表情对准确分析人类的情感有着重要意义。微表情产生于无意识下的肌肉自发运动,随后迅速被大脑抑制而结束,该过程的运动变化极其微小,通过肉眼捕捉、识别微表情是一项极具挑战的任务。在现有基于视觉的微表情识别方案中,主要利用微表情序列中的开始帧和顶帧来提取微表情特征信息,忽略了微表情消逝过程的影响,如微表情结束帧信息。而微表情消逝阶段可看作产生阶段的逆过程,理论上也包含大量有利于微表情识别的特征信息。针对上述问题,论文提出了一种基于多通道卷积神经网络和胶囊网络模型（CNNCaps Net）的微表情识别方法。首先,通过关注微表情产生到消逝整个变化过程,提出五个通道的数据输入（开始帧到顶帧的水平光流图和垂直光流图、顶帧到结束帧的水平光流图和垂直光流图,顶帧灰度图）,利用只关注运动变化的光流降低无效特征对微表情识别结果的影响。接着,提出支持五通道输入的卷积神经网络结构,训练并作为特征提取描述器。为了进一步精炼特征信息,所提方法将五通道提取的特征融合后,再输入至胶囊网络模型,该模型能有效增强该特征信息,加强特征之间的关联性,提升微表情识别性能。最后在CASMEⅡ和SAMM数据库上对论文提出的方法进行了验证,其识别率分别为64.63%和55.88%,结果表明论文提出的方法能有效提升微表情的识别结果。