人脸表情识别技术是涉及生物特征识别、模式识别、图像处理、机器视觉、运动跟踪、生理学、心理学等研究领域的一个极富挑战性的交叉课题，是近年来模式识别与人工智能领域的一个研究热点：它是情感计算、智能人机交互的重要组成部分，有着广泛的应用前景和潜在的市场价值。近年来，在国内外各大科研院所和高校的共同努力下，人脸表情识别技术快速发展，但各种问题也随之产生。目前尚有许多难点问题没有解决，至今也没有一套实际应用的系统面世。 人脸表情识别一般分为人脸检测、特征提取、特征选择和表情分类等环节。本文主要研究了特征提取、特征选择和表情分类过程中的一些关键问题，提出了一些改进算法，并进行了仿真实验。主要的工作如下： 1．用基于统计理论的主动外观模型(Active Appreance Models，AAM)作为人脸特征点定位的方法并进行了实验。 2．对现有的几何特征做了一个总结。根据目前已有的、涉及人脸表情几何特征的文献，总结出了一个特征表。它几乎可以囊括全部文献中提出的几何特征。 3．首次使用粗糙集理论的属性约简方法做人脸表情特征选择。粗糙集理论的属性约简方法是一种不依赖于先验知识的特征选择方法，已应用于诸多领域，有其独特的优越性。本文把粗糙集属性约简方法应用于人脸表情的几何特征选择，取得了良好的效果，有效地降低了特征的维数。 4．提出将粗糙集属性约简与支持向量机相结合的RS-SVM方法。支持向量机是上世纪90年代新发展起来的一种高效分类方法，虽然从理论建立到现在只有短短的10年时间，但它已广泛地应用于各个领域。支持向量机的理论基础是统计学习理论。研究者们已经从理论上证明支持向量机是一种优秀的学习机器，因为它能够保证在小样本训练集下达到最大的泛化能力。本文把粗糙集的属性约简方法与支持向量机相结合，先用属性约简进行预处理，然后再用支持向量机分类。实验表明，该方法可以有效的降低支持向量机的运算复杂度，而分类能力只有小幅度的下降甚至不下降。 5．开发了一个人脸表情识别实验系统(Facial Expression RecognitionSystem，FERS)。系统集成了人脸检测、特征提取、表情分类等功能，并且允许用户自行选择各种不同的方法，也允许用户增加新的方法。