1.一种基于多层级和多尺度注意机制的面部表情识别方法，其特征在于，包括如下步骤：步骤1：将若干个公共数据集拆分成为训练集、测试集和验证集；

步骤2：构建包含特征预提取模块、多层级注意模块和多尺度注意模块的面部表情识别模型；

步骤3：对模型输入的训练集、测试集和验证集的图像进行人脸检测和对齐，并将其裁剪为固定的大小；

对模型输入的训练集随机抽取10％的图像进行图像增强；

步骤4：将经过步骤3处理好的训练集图像，输入到构建的面部表情识别模型中，利用交叉熵损失和限制中心损失对模型中的参数进行训练和优化，直至训练到面部表情识别模型的准确度不再提升为止，具体过程如下：步骤4.1：将步骤3处理好的图像输入到特征预提取模块中，其中特征预提取模块包含n个基本块，将特征预提取模块中每个基本块的输出特征图Xi作为特征预提取模块每个阶段输出的特征；

步骤4.2：通过多层级注意模块中的权重分配模块对前n‑1个基本块输出的特征图，根据重要性的不同分配不同的权重αi；

步骤4.3：通过将多维特征图展开成一维度的打平操作以及全连接层将前n‑1个基本块输出的特征图Xi映射到同一尺寸维度上得到特征图Zi；

步骤4.4：将得到的αi与对应的Zi相乘后相加，得到多层级注意模块最终的输出Yout1；

步骤4.5：采用由平均池化层、全连接层、Sigmoid激活层和ReLu激活层顺序连接构成的SEBlock，对特征预提取模块第n个基本块的输出Xn进行通道维度上的加权，得到特征图S；

步骤4.6：利用多尺度注意模块中的多尺度融合模块对特征图S进行多尺度融合，得到特征图D；

步骤4.7：通过打平操作以及全连接层将特征图D映射到与Yout1同一尺寸维度上得到多尺度注意模块最终的输出Yout2；

步骤4.8：将Yout1和Yout2相加得到最终的特征输出Y，其计算公式为：Y＝β1Yout1+β2Yout2，

其中，β1和β2为超参数；

步骤4.9：构建损失函数，计算损失，对面部表情识别模型进行优化，所述计算损失的损失函数具体如下：(1)交叉熵损失Lce，其计算公式为：

其中m代表每一个小批次中的样本个数，k代表类别的个数， 代表第h个样本对应的第g个类别的标签， 代表第h个样本对应输出的第g个类别的预测分数；

(2)限制中心损失Llc，其计算公式为：

其中，Yh代表第h个样本对应输出各类别的预测分数，ch代表第h个样本对应类别的中心g向量， 表示L2范数的平方，c代表第g个类别对应的中心向量，γ1、γ2、ω1、ω2为超参数，γ1和γ2调节Llc的大小，ω1约束限制类内距离，ω2约束限制类间距离，δ表示一个极小值；

(3)将交叉熵损失Lce和限制中心损失Llc相加，得到总的损失Ltotal；

步骤5：将经过步骤3处理好的训练集和测试集图像输入到面部表情识别模型模型中，得到相应的分类结果，识别表情。

2.根据权利要求1所述的一种基于多层级和多尺度注意机制的面部表情识别方法，其特征在于，在步骤1中，所述训练集、测试集和验证集中均包含7种基本表情图像若干张；

所述7种基本表情为厌恶、快乐、生气、害怕、惊讶、悲伤和中性。

3.根据权利要求1所述的一种基于多层级和多尺度注意机制的面部表情识别方法，其特征在于，在步骤3中，所述图像增强的操作为：水平翻转、随机裁剪、随机去除、随机旋转。

4.根据权利要求3所述的一种基于多层级和多尺度注意机制的面部表情识别方法，其特征在于，在步骤4.2所述权重分配模块中，首先利用平均池化层对前n‑1个基本块输出的特征图Xi的通道信息进行聚合，得到平均池化通道向量其次，经过全连接层和激活层对通道向量 进行降维得到权重αi。

5.根据权利要求4所述的一种基于多层级和多尺度注意机制的面部表情识别方法，其特征在于，在步骤4.5中所述SEBlock中，首先利用平均池化层对第n个基本块的输出Xn的通道信息进行聚合，得到平均池化通道向量其次，利用全连接层和激活层对 进行升维后降维得到与 尺寸一致的向量W；

最后，将得到的W与Xn相乘，得到特征图S。

6.根据权利要求5所述的一种基于多层级和多尺度注意机制的面部表情识别方法，其特征在于，在步骤4.6所述多尺度融合模块中，首先将特征图S分别经过三个空洞卷积层、归一化层和激活层，得到对应的特征图Dj；

其次，将得到的特征图Dj相加融合得到特征图D。