人脸表情是情感感知最直接的的载体和情感表达最明显的方式。作为智能机器人,我们希望它们拥有友好的外表更希望他们具有像人一样的情感感知能力和表达能力。虽然目前已经出现了很多经典有效的人脸表情识别算法,但对人脸表情识别的研究仍未进入成熟阶段。综上,研究人脸表情识别算法对提高智能机器人的友好交互能力具有重要的理论意义和实用价值。本文主要从特征提取和分类识别两方面进行了探究和实验,在经典的局部纹理特征提取算法和局部几何特征提取算法的基础上进行了改进,在分类识别的设计上将元辅助学习网络和SVM进行结合。具体工作如下:(1)本文第三章提出了一个新的特征描述符,即中心对称局部符号幅值模式(CS-LSMP)。和传统的特征提取算法局部二值模式(LBP)相比,CS-LSMP算子不仅考虑了局部区域的符号信息,而且考虑了局部差异的幅度信息,同时还大大地降低了特征维度。除此之外,为了降低单一特征提取算法的限制和更加充分的利用不同特征的优势,分别提取方向幅值特征图(OMFMs)、正负幅值特征图(PNMFMs)和Gabor特征图(GFMs)的CS-LSMP特征,然后将这些特征进行级联形成融合特征。OMFMs与梯度方向直方图(HOG)不同的是,扩展了多个平面方向的方向幅值特征。根据局部幅值的符号信息将局部幅值划分为两组以形成正负幅值特征图。为了进一步减少计算复杂度,将GFMs进行分组选取。实验结果表明本文第三章提出的算法和框架相比于一些先进的方法取得了较显著的分类效果。(2)本文第四章对第三章提出的OMFMs的优点和不足进行了分析,进而对其进行了改进,提出了IOMFMs。相较于原来的OMFMs,IOMFMs进一步将局部方向划分为主方向和辅方向,并且主方向在计算方向幅值的过程中不再仅限于只考虑局部边缘像素,这使得提取到的局部信息更加完整,同时该模式中还增加了局部梯度方向并且梯度方向在计算梯度幅值的过程中也考虑到了邻域内部的主要像素点。此外,面对单一SVM分类器在分类识别上的不足,首先引入了元辅助学习网络先对人脸表情图像进行特征提取和粗分类,然后再用基于改进后的特征提取算子和SVM分类器进行特征提取和细分类。元辅助学习能够仅使用主要任务的标签自动发现这些辅助标签,即可以自动学习用于辅助任务的适当标签,这样,任何有监督的学习任务都可以在不需要访问任何进一步数据的情况下得到改进。实验结果证明了所提出的改进算法和识别框架的有效性和优越性。