在真实场景下（in the wild）利用深度神经网络实现自动化面部表情识别（Automated Facial Expression Recognition, FER）仍然面临巨大挑战，主要原因在于面部图像中存在类内差异较大以及类间相似性较高的问题。深度度量学习（Deep Metric Learning, DML）是目前广泛采用的一种方法，旨在通过增强所学习嵌入特征的判别能力来应对上述挑战。本文提出一种自适应相关性损失（Adaptive Correlation, Ad-Corre Loss），引导网络生成具有高类内相关性、低类间相关性的嵌入特征向量。Ad-Corre损失由三个组成部分构成：特征判别器（Feature Discriminator）、均值判别器（Mean Discriminator）和嵌入判别器（Embedding Discriminator）。我们设计的特征判别器旨在促使网络学习到的嵌入特征向量在属于同一类别时具有高度相关性，而在属于不同类别时则保持较低的相关性。同时，均值判别器引导网络使不同类别的均值嵌入特征向量之间尽可能不相似，从而增强类别间的可分性。本文采用Xception网络作为模型主干（backbone），并有别于以往方法，提出一种包含k个嵌入特征向量的嵌入特征空间。在此基础上，嵌入判别器对网络施加惩罚，以确保生成的嵌入特征向量之间具有足够的差异性。我们在训练过程中将所提出的Ad-Corre损失与交叉熵损失（cross-entropy loss）联合使用，构建综合损失函数。实验结果表明，该方法在AffectNet、RAF-DB和FER-2013三个公开数据集上均取得了非常出色的识别准确率。大量实验及消融研究进一步验证了所提方法在应对真实复杂环境下极具挑战性的面部表情识别任务方面的有效性与优越性。