人的面部表情能够表示主体的状态、情绪、认知等，它在智能化人机交互中具有非常重要的作用。人脸表情识别技术涉及多个领域的研究，比如，计算机视觉、图像处理、情感计算、智能控制和模式识别等，是一个多学科相交叉的课题，近几年来，已经发展成为国内外的研究热点。人脸表情识别算法主要含有三个方面的技术环节：表情图像预处理、表情特征提取以及表情的识别与分类。本文主要研究了表情图像特征提取及人脸表情识别算法，并在MATLAB R2011a的平台上进行仿真实验，验证了本文算法的有效性。首先，对输入的人脸表情图像进行预处理。我们首先判断其图像类型，如果是彩色图像，则先将其转换为灰度图像。然后再对图像进行直方图均衡化处理，把所有像素的灰度值均匀拉伸到0~255之间，接着对该图像进行剪裁，即尺度归一化。最后，提取人脸的ROI（Region of Interest）区域，即感兴趣区域，减少图像的冗余信息，为下一步表情特征提取做好准备。其次，基于对国内外众多人脸表情识别相关文献的研究，本文提出了一种新的基于Gabor小波变换和2DPCA（二维主成分分析）+LBP（局部二值模式）以及粒子群优化算法相结合的特征提取组合策略。该算法首先对上一步预处理之后的表情图像进行Gabor特征提取；然后采用―2DPCA+LBP‖的方法对得到的庞大的特征数据进行降维处理，最后，利用粒子群优化算法对降维后的特征进行优化，得到的表情特征具有维数较低且比较利于分类的优点，并将该算法应用到本文表情图像特征提取过程中，得到表情特征向量。然后，在表情识别方面，本文构造了一个BP神经网络分类器。在表情识别过程中，先将表情图像库中的图像分为训练样本和测试样本，采用上述特征提取算法对训练样本进行特征提取，再用得到的训练样本特征数据对分类器进行训练，训练好的分类器就可以对测试样本进行分类识别了。最后，利用MATLAB R2011a仿真平台对本文的算法进行仿真实验，验证了本文算法的有效性。在JAFFE表情图像库上，我们还将本文算法与常用的“Gabor小波+PCA”，“Gabor小波+2DPCA”的特征提取算法在人脸表情识别系统上进行了对比实验，结果表明：本文提出的算法在特征提取方面具有更好的效果。