人脸面部表情包含着复杂的内在情感,是人与人交流的重要途径,近年来一直是计算机视觉、人机交互与模式识别等研究领域的热点话题。普通的面部表情通常被视为夸张表情,表现为面部肌肉运动明显,容易被人察觉到;而微表情则是在普通面部表情基础上由Ekman等人发现的更为隐蔽的表情,由于其持续时间短,故而命名为微表情。本文针对目前表情及微表情识别率低的问题,提出了HLBP与Gabor特征相融合的特征提取算法,主要研究工作如下:首先,为了排除光照不均、尺度不一等干扰情况,对人脸区域进行分割、直方图均衡化、对比度增强、尺度归一化。其次,特征提取是表情和微表情识别最关键的步骤。本文采用将Gabor和分块的HLBP相融合的方法对表情与微表情静态图像进行识别,并将HLBP算法进行在时间上拓展形成HLBP-TOP算法,并将其应用于微表情图像序列的识别。前者主要涉及Gabor滤波器的方向尺度参数和Haar阈值的选取,本文对比多组实验选取最优的值进行分类识别;后者在前者的基础上对Haar阈值运用统计学思想进行优化。两种特征提取算法的融合,可以更好地保留图像的有用信息。最后,进行表情分类与识别。本文选用极限学习机和支持向量机两种方法对图像进行分类。先对训练样本进行训练,构造出每一类的表情模型,再对测试样本进行预测和估计。实验选取日本女性人脸表情库JAFFE和中科院的CASME微表情数据库。为了验证算法的有效性,对于CASME数据库,本文分别建立了序列微表情库和静态微表情库,静态微表情数据库和JAFFE数据库用相同算法进行实验。经过实验验证,本文算法相对于单一的Gabor和LBP算法都有明显的改善。在序列图像的微表情实验上,实验结果也要优于LBP-TOP和DTSA算法,并且时间效率远远高于LBP-TOP算法。