在现实生活中，当人们面对一些场景会由于内心的情绪而在面部显露出微表情，微表情是人类面部微小的动作的集合，它的研究在国家安全、临床医学等领域都有重要的应用。其中人脸面部活动单元（Action　Units，AU）的检测是微表情识别工作的基础。因此，AU检测工作是非常具有研究意义的。
本文基于结构化区域学习(Region　Learning，RL)与多标签学习(Multi-Label　Learning，ML)方法并结合传统表情的Facial　Action　Coding　System　(FACS)系统区域化特点，以解决AU检测过程中的问题来提高其识别准确率。首先，对现有的AU标注数据库进行分析，发现其中存在着多标签样本不均衡问题，对此提出了一种通用的多标签斜率（MSR）损失函数，可以同时解决单标签和多标签样本不均衡问题，并结合卷积神经网络使得AU检测的准确率有着较为明显的改善。其次，通过FACS系统编码分析出每种基础表情是多个AU组合而成，因此这些不同的AU之间存在着隐藏的关系，为了能够利用AU间具有关联关系的特点，我们结合多层卷积残差模型与多标签协同训练（Advanced-MSR）损失函数提出了DSCMR网络结构，从而进一步提高了识别的准确率。最后，我们分析了最新检测AU的DRML模型中浅层局部卷积的优势，并将其引入DSCMR进行再一次优化而提出了L-DSCMR网络模型，基于该模型在CK+数据集上训练模型，利用预训练好的模型，开发出AU检测应用，使得AU的检测实时化、直观化。
本文所提出的L-DSCMR的网络结构，相比于已有的AU检测的模型，主要贡献在于，改善了AU样本不均衡问题并利用了它们之间的关联关系，从一定程度上提高了AU检测的准确率。对于未来的AU的检测工作都有着一定的借鉴意义。