近二十年来，自动面部表情识别（Automatic Facial Expression Recognition, FER）受到越来越多关注，因为面部表情在人类交流中扮演着核心角色。大多数FER方法采用深度神经网络（Deep Neural Networks, DNNs），这类模型在数据分析方面具有强大能力。然而，尽管其性能优越，DNN仍容易出现过拟合现象，往往倾向于记忆训练数据而非学习泛化特征。此外，目前可用于FER的“真实场景”（即非受控环境）大规模数据库仍然有限。为缓解这一问题，研究者提出了多种数据增强技术。数据增强通过在原始数据上施加受约束的变换，以增加可用数据的多样性。其中一种在多种分类任务中表现优异的技术是Mixup。该方法通过将成对样本及其对应标签进行凸组合，训练DNN模型。本文系统研究了Mixup在真实场景FER中的有效性，该场景下数据在头部姿态、光照条件、背景及上下文等方面存在显著差异。在此基础上，本文提出一种基于Mixup的新数据增强策略——MixAugment。该方法使网络同时在虚拟样本与真实样本的组合上进行训练，所有样本均参与整体损失函数的计算。通过大量实验验证，结果表明MixAugment在性能上优于Mixup及多种先进方法。此外，本文还进一步探讨了Dropout与Mixup、MixAugment的结合效果，以及MixAugment与其他数据增强技术的协同应用。