随着科技的发展,“智能化”已渗入人们的日常生活。情感智能是人工智能研究领域中的重要内容,而其中的人脸表情识别技术在公共安全、医疗服务以及人机交互等领域的应用需求不断提升,因此基于图像的人脸表情识别是研究的热点之一。论文基于贝叶斯推理理论,针对其中的表情特征提取和分类问题开展相关研究,有着重要的理论和应用价值。论文的主要工作如下:首先,设计了两种人脸表情特征的提取方法。第一种方法提取了基于语义图像块的传统特征,该方法结合多尺度采样策略来生成语义图像块,并在此之上提取Dense SIFT和LBP_HF特征,然后将两种特征进行融合。第二种方法提取了基于卷积神经网络的深度特征,该方法采用改进的VGG19网络,实现了有效的特征学习。其次,在语义图像块的传统特征之上,提出了基于贝叶斯主题模型的人脸表情识别方法。该方法通过分层处理的方式对语义图像块的特征进行了二次抽象。首先,在局部特征之上构造视觉词典,然后编码形成表情词汇特征,进而通过人脸主题模型的学习,得到潜在的表情主题特征,以此作为最终的识别向量。该方法在JAFFE数据集上获得了94.9%的准确率,并且在CK+数据集上的六类和七类表情识别中均获得了不错的识别效果。最后,基于卷积神经网络的深度特征,提出了基于贝叶斯神经网络的人脸表情识别方法。该方法针对传统网络缺乏不确定性的不足,在贝叶斯神经网络的框架下,通过改进现有网络并引入认知不确定性和任意不确定性,构造了轻便有效的VGG19_BNN网络,进一步设计了包含成本损失和风险损失的目标函数。实验结果表明,VGG19_BNN在原有网络的基础上实现了更高的精度和更好的鲁棒性,且降低了预测的不确定性。在FER2013数据集的两个测试集上,该方法的识别率分别达到71.5%和73.1%,相比于其他方法具有较大的性能优势。