La reconnaissance des expressions faciales basée sur l'apprentissage profond (FER) a suscité beaucoup d'attention ces dernières années. La plupart des méthodes de FER existantes basées sur l'apprentissage profond ne prennent pas suffisamment en compte les connaissances du domaine, ce qui entraîne une extraction imparfaite des caractéristiques représentatives. Dans cette étude, nous proposons un nouveau cadre de FER, appelé Réseaux de Mouvements Faciaux A Priori (FMPN). Plus précisément, nous introduisons une branche supplémentaire pour générer un masque facial afin de se concentrer sur les régions où les muscles du visage bougent. Pour guider l'apprentissage du masque facial, nous suggérons d'intégrer des connaissances a priori du domaine en utilisant les différences moyennes entre les visages neutres et leurs correspondants expressifs comme guide d'entraînement. De nombreuses expériences menées sur trois jeux de données de référence pour la reconnaissance des expressions faciales démontrent l'efficacité de notre méthode proposée, en comparaison avec les approches les plus avancées actuellement disponibles.