随着人机交互、生物识别等技术的发展，人脸表情识别具有越来越重要的现实意义，如何有效地提取表情特征并进行分类也成为了热点。　　 特征提取是人脸表情识别的重要前提工作，本文通过研究和总结其他学者的成果，针对目前表情特征提取中存在的难点，采用了改进的IKDA方法对表情进行提取。而分类器分类效果对准确实现表情分类起着重要作用，因此本文提出了改进Adaboost和SVM分类方法。具体的研究内容如下:　　 传统串行特征融合方式存在维度冗余等缺点，因此本文提出一种IKDA特征融合技术:(a)给出一种并行特征融合策略，即利用复向量给出组合特征的表示;(b)在此基础上引入改进的核LDA(IKDA)方法，将特征空间从实向量空间拓展到复向量空间;(c)通过重定义类内散度矩阵，利用参数平衡因特征值差异产生的偏差和方差，该方法不仅可以有效地提取人脸表情的非线性特征，而且还可以解决小样本问题。　　 为了弥补AdaBoost分类器分类精度不够训练耗时的缺点，并充分利用高斯过程分类器分类精度高、计算复杂度低的优势，提出了改进的人脸表情分类AdaBoost算法，该算法将高斯过程分类和AdaBoost的人脸表情识别算法相结合:(a)在训练二分类AdaBoost时利用高斯过程分类器训练弱分类器;(b)通过算法把这些弱分类器组合成一个总分类器;(c)将二分类AdaBoost-GPC扩展为多类分类算法。该算法在识别正确率和速度方面都有上佳的表现。　　 针对传统支持向量机需要求解二次凸规划，在处理人脸表情等大规模数据时会消耗大量存储时间和空间，且在实际应用中存在因样本不够而产生训练不足等缺点，本文提出了一种模糊半监督支持向量机的方法:(a) C-SVM方法的基础上增加了正则化单元，实现拉普拉斯支持向量机;(b)引入模糊向量，能根据数据的不同而调整惩罚值。该方法具有能同时利用标记和未标记样本的优点，同时还可以在分类中忽略对分类结果影响很小的数据，在很大程度上改进了SVM的性能。