随着人工智能的发展,生物特征识别技术在人们日常生活中的应用越来越广泛。人脸面部表情识别作为生物特征识别技术的一个重要研究方向,在情感理解,人机交互等方面有重大的意义。人脸面部表情识别在特征提取,特征分类等方面存在诸多难点。本文主要从以下三个方面对人脸面部表情识别算法进行研究,提出一些实用的算法,利用大量的实验对算法进行验证。分析人脸面部表情识别系统。为了减少表情样本噪声的干扰,一个完整的人脸面部表情识别系统首先需要对表情图像进行预处理,然后采用图像处理相关技术提取表情特征,最后应用机器学习或模式识别方法对特征进行分类。本文利用旋转,裁剪和直方图均衡化技术对JAFFE表情库进行预处理操作,利用Gabor滤波器和LBP描述算子对预处理后的表情图像提取表情特征。研究基于线性方法的人脸面部表情识别并提出改进算法。线性方法首先寻找一个合适的投影矩阵,将输入的表情图像投影到特征空间,然后利用最近邻分类器对表情进行分类。本文分析了四种基于线性方法的人脸表情识别：PCA,2D-PCA, FLD,2D-FLD,并在JAFFE表情库上实验分析特征维度对识别效果的影响。针对人脸面部表情分布的特点,本文提出了一种基于局部Gabor特征和扩展最近邻分类器的人脸表情识别方法,该方法首先获取面部表情的局部Gabor特征,然后利用局部分类器对局部特征进行分类,最后结合局部分类结果和表情特征分布特点得到最终的分类结果。研究隐身份变量模型并提出基于隐身份变量模型的人脸面部表情识别及扩展算法。人脸面部表情识别的难点在于如何精确的提取面部表情特征和如何匹配不同区域的表情特征。针对这些难点,本文提出了一种基于隐身份变量模型的人脸面部表情识别算法。基于隐身份变量模型的人脸面部表情识别利用隐身份变量判别某个样本的表情类别,通过训练已知样本得到包含隐身份变量的样本生成模型。分类时比较不同样本隐身份变量之间相同的概率来确定样本类别相同的概率。本文还提出了一种结合线性方法和隐身份变量模型的人脸面部表情识别方法,利用线性方法获取输入表情图像数据的特征,再用隐身份变量模型对表情特征进行分类。本文最后结合面部表情分布的特点给出一种扩展隐身份变量模型的表情识别算法。