面部表情是一种刻画情绪、认知、主体状态以及他们在社会交往中的作用和角色的方法。Mehrabian指出,如果把人们之间交流时传递的信息进行分割,人们所说的话语传递的信息占7%,说话时的语调占38%,而说话人的表情占了55%。这些数据表明人脸表情在人们交流中所起到的重要作用。并且计算机和机器人的智能化、情感化、拟人化一直是人们追求的目标,人脸表情识别可以为这一目标提供技术支持,从而彻底改变人机交互的方式。最近几年,面部表情识别已经成为心理学、计算机视觉、模式识别等领域一个十分热门的,多学科相交叉的研究课题。因此,表情识别有很多相关问题需要研究和解决。本文主要是针对人脸表情特征的提取和分类方法展开研究和探索。首先,文中阐述人脸表情识别的研究现状和总结现有的主要人脸表情识别方法,分析表情识别的特点和难点。其次,根据当前识别方法存在的不足,提出了基于Gabor小波变换和两次离散余弦变换(DCT)的表情特征提取方法,通过保留绝大部分表情信息,抛弃信息冗余,来获得低维的人脸表情特征向量。接着,文中从表情特征的分类出发,研究了神经网络集成的理论,设计了一个三层结构的BP网络,并采用Bagging技术生成了集成神经网络,对表情特征向量进行了分类。最后,选择CUM的Cohn-Kanade表情库对文中提出的表情特征提取方法的有效性进行了验证。