人类的情感状态可以通过面部表情而自然地反映出来,人脸表情在人际交流方面起着非常重要的作用。人脸表情识别作为人工智能交互技术,在计算机视觉与人工智能等领域有着十分重要的应用。因此,人脸表情识别的研究有着重要的理论意义与应用价值。本文设计了人脸表情识别系统的整体框架。首先采用基于Haar-like特征的AdaBoost人脸检测方法对人脸进行准确地检测与定位,然后对得到的人脸表情图像进行归一化的处理,接着提取人脸表情图像的特征,最后对特征向量进行分类。本文将重点研究表情特征提取与分类方法。对于表情特征提取的研究,针对局部二值模式、局部方向模式与局部三值模式等目前常用的方法存在可能将两种或者多种不同的模式错误地归类到同一类模式的问题,本文采用了完备局部三值模式(Completed Local Ternary Pattern,CLTP)作为表情特征提取方法。针对完备局部三值模式不能提取包含足够充分或者精确的表情纹理信息的问题,本文提出了一种结合梯度算子并融合双邻域特征的改进完备局部三值模式的特征提取方法。通过实验验证了本文提出的改进完备局部三值模式能够比未采用梯度算子或者使用单一邻域的特征提取方法获得更高的识别率。对于人脸表情分类识别的研究,针对稀疏表示分类器(Sparse Representation Classifier,SRC)在分类识别时耗时严重的问题,本文采用了一种基于KNN-SRC的分类识别方法用于表情识别。该方法在SRC分类方法基础上引入了待测样本的近邻信息,使用近邻样本来稀疏线性表示待测样本。实验结果表明,基于KNN-SRC的表情识别方法能够减少误识别率,提高了表情分类的准确性,并且其耗时很少。最后,通过服务机器人完成了表情识别的系统实现与分析。首先构建了一个基于表情识别的服务机器人控制系统,然后将表情识别系统的识别结果转化为对应的控制指令,实现对服务机器人的控制。最后通过多组重复实验,验证了本文提出的新的表情识别方法不仅能够有效控制服务机器人,而且具有较强的鲁棒性。