人脸表情识别是情感计算和人机交互领域研究的热点之一，具有广阔的应用前景。人脸表情识别算法近年来取得了快速的发展。基于传统机器学习的识别算法一般针对小数据样本，特征维度较高时容易引起过拟合；当数据样本较大时，可以采用深度学习算法，但训练时间较长。如何更好地提取人脸的表情特征，减少训练时间并进一步提高表情识别率，一直是该领域需要解决的关键问题。针对上述问题，本论文主要完成了以下工作：
　　(1)在传统机器学习方法中，针对小数据样本下提取的表情特征维度较高的问题，采用了LBP+KDIsomap的特征提取及降维算法，其中LBP算法用来特征提取，KDIsomap算法用来降低特征维度；针对使用单一分类器容易发生误判的问题，采用了SVM-KNN分类器加以改善。
　　(2)为了充分利用人脸表情图像的时间流特征信息，采用了一种基于双流卷积神经网络结合支持向量机的人脸表情识别算法。双流卷积神经网络能够自动提取表情图像的几何特征、纹理信息和时间流信息，并利用SVM强大的非线性分类能力，使实现更高的表情识别率成为可能。
　　(3)在深度学习方法中，针对深层网络模型训练时间开销过大的问题，采用了预训练多深度卷积神经网络模型融合的人脸表情识别方法。通过将多个深度卷积神经网络模型融合，提取更加丰富的人脸表情特征信息，有利于提高识别率；同时将预训练模型参数进行迁移，可以减少网络模型的训练时间。
　　以CK+数据库作为测试数据，对本文采用的方法进行测试。实验结果表明，本文采用的三种方法都能提高表情识别率，达到了预期目的，验证了它们的有效性和可行性。