本稿では、まずImageNetでの事前学習が細粒度顔面感情認識（Fine-grained Facial Emotion Recognition, FER）に与える影響を調査した。その結果、画像に対して十分なデータ拡張（augmentation）を施した場合、ImageNet事前学習に基づく微調整（fine-tuning）よりも、初期化から学習を開始する（training from scratch）方が優れた性能を達成することが明らかになった。次に、細粒度かつ実環境（in-the-wild）下におけるFERの性能向上を目的として、ハイブリッド多タスク学習（Hybrid Multi-Task Learning, HMTL）と呼ばれる新手法を提案する。HMTLは、従来の教師あり学習（Supervised Learning, SL）の枠組み内において、自己教師学習（Self-Supervised Learning, SSL）を補助タスクとして導入した多タスク学習（Multi-Task Learning, MTL）の形式を採用する。訓練中にSSLを活用することで、主タスクである細粒度SLに向けた追加の画像情報が得られ、表現力の向上が可能となる。本研究では、一般的な前処理タスク（pre-text task）の手法である「パズル化（puzzling）」と「穴埋め（in-painting）」を、FER領域に適応させるためにカスタマイズした2種類のHMTLアーキテクチャを設計し、その有効性を検証した。提案手法は、追加データでの事前学習を一切用いずに、AffectNetベンチマークにおいて最先端の性能を達成した。一般的なSSL事前学習と本研究で提案するHMTLの実験結果を比較することで、本研究の優位性と差異が明確に示された。さらに、HMTLはFER領域に限定されるものではない。頭部姿勢推定および性別認識という2種類の細粒度顔面タスクにおける実験結果から、HMTLが細粒度顔面表現の向上に有効である可能性が示された。