表情是人类用来表达情感的一种基本方式，是非语言交流的一种有效手段。人们可以通过表情准确而微妙地表达自己的思想感情，也可通过表情辨认和了解对方的态度和内心世界。近年来，由于人脸表情识别在人机交互等应用中表现出的重要性，因此受到了广泛的关注。然而，表情识别对机器而言却是一个非常大的挑战。假如能使机器很好地理解人脸表情及其对应的心理活动，将极大地改变人机交互方式，使之更好的为人类服务。　　 人脸检测、表情特征的提取与降维、表情的分类识别构成了一个完整的人脸表情识别系统。当前对于人脸表情识别的研究主要集中在后面两个环节。而在整个表情识别过程中，表情特征的提取及降维扮演着尤为重要的角色，如何提取出稳定、有效的特征，并用最少的特征来表示尽可能多的表情信息是表情识别成败的关键。　　 本文主要针对特征提取及降维环节中存在的特征维数高、所得特征易交叉重合等关键问题进行了系统的研究，并通过对具体算法的改进来解决一些关键问题，以得到维数更低、所含特征信息更丰富、更具判别性的表情特征，从而更利于后面的表情分类工作。本文所做的主要工作如下:　　 (1)在局部保持投影(LPP)算法的基础上，针对该算法在保持样本局部近邻关系的过程中没有考虑到不同类别的样本对分类效果的影响，提出一种新的基于监督判别局部保持投影(SDLPP)的表情识别算法。SDLPP算法首先利用样本的类别信息重新构造LPP算法中的相似矩阵，然后在目标函数中增加类间散度约束。这样就会在保持样本点局部结构的同时，使不同类的样本点相互远离，从而得到更具有判别性的表情特征。　　 (2)针对特征提取过程中存在的样本点重叠问题，提出一种线性判别保局分析(LDLPA)算法并用于表情识别。在充分利用线性判别分析(LDA)算法优势的同时，采用局部保持投影(LPP)算法目标函数的构造思想来对类间散度进行构造，使相距较近的不同类样本点远离，相距较远的同类样本点靠近;同时，通过使投影后的类内散度取最小值来保持类间结构，从而得到更具有判别性的表情特征。