1.基于神经网络敏感性分析的微表情识别方法，其特征在于该方法具体是：步骤S1：设计一个常规无分支的卷积神经网络结构，包含卷积层、全连接层和logit层；

步骤S2：选择ImageNet数据库中的前200类事物在步骤S1中的卷积神经网络进行训练，得到网络模型；

步骤S3：选择宏表情数据集CK+对由步骤S2得到的网络模型进行迁移学习，并得到相应的网络模型；

步骤S4：使用神经网络敏感性分析工具对步骤S3得到的网络模型每一层进行敏感性测试；

步骤S5：根据步骤S4中得到的敏感性测试结果，对步骤S3中的神经网络进行修改，具体是：将对人脸感兴趣区域敏感性评分最高的层的输出结果分流到一个新的分支中；该分支包含一层卷积层以及一层全连接层；并将该分支的全连接层与原网络结构的全连接层进行拼接，在其后添加一个分类器；即将神经网络浅层的低级特征与深层的高级特征进行融合，联合判别微表情；这个添加了分支的网络结构即为最终的神经网络结构；

步骤S6：根据步骤S5中得到的最终神经网络结构在微表情数据库上进行迁移学习，得到最终的网络模型。

2.根据权利要求1所述的基于神经网络敏感性分析的微表情识别方法，其特征在于：在步骤S3中的迁移学习时，冻结步骤S2得到的网络模型前6层的参数；步骤S3中卷积神经网络最后一层的全连接层神经元个数由200个修改为7个。

3.根据权利要求1所述的基于神经网络敏感性分析的微表情识别方法，其特征在于：在步骤S4中根据人脸肌肉将人脸分成数个感兴趣区域，并将这些感兴趣区域作为测试样例对神经网络模型进行敏感性测试。

4.根据权利要求1所述的基于神经网络敏感性分析的微表情识别方法，其特征在于：步骤S6中使用的数据库是由CASMEⅡ、SMIC、SAMM数据库中选择68个测试人员的微表情图片组成的联合数据库；该联合数据库的所有微表情被明确地分成3种类别，分别是积极的、消极的以及惊讶的。

5.根据权利要求1所述的基于神经网络敏感性分析的微表情识别方法，其特征在于：在步骤S6中进行迁移学习时，锁定由步骤S3中得到的前10层的参数，仅对步骤S5中添加的分支以及全连接层进行训练。

6.根据权利要求4所述的基于神经网络敏感性分析的微表情识别方法，其特征在于：在步骤S6中进行训练时使用留一验证法准则进行试验。

7.根据权利要求6所述的基于神经网络敏感性分析的微表情识别方法，其特征在于：对于68个测试结果，分别统计其UAR值和UF1值，得到最终结果。