人脸表情识别是近年来模式识别、计算机视觉、图像处理及人工智能领域内富有挑战性的研究课题,在人机交互、智能家居、娱乐等领域有着重要应用。受到人脸外貌差异、表情表现方式、面部妆容、胡须、眼镜、光照等因素的影响,人脸表情变化复杂细微。如何提取表情特征,构建表情识别系统,是实现表情可靠识别的关键。本论文结合相关技术对自动表情识别进行了研究,重点对面部表情纹理特征和几何特征的提取进行了全面分析和研究,并提出了若干新模型,主要贡献如下：1.提出了一种由粗到细的人脸显著特征定位方法。人脸显著特征是指面部灰度变化明显的特征,如眉毛、眼睛、鼻子和嘴巴等。该方法首先利用基于Haar-like特征的眼睛和嘴巴分类器,粗略的获得眼睛和嘴巴的位置。然后利用自适应二值化和边缘投影分析等细化操作最终得到眉毛端点、嘴角、眼角等6种特征。2.针对传统ASM下的关键特征点定位精度依赖于特征点初始位置的问题,提出了一种改进的ASM关键特征点定位方法。眉毛、眼睛和嘴巴等人脸显著特征的定位为ASM下的关键特征点定位提供了良好的初始化条件,使得特征点的定位更为准确。3.针对Gabor小波多方向,多尺度特性带来的特征向量维数高,信息冗余问题,提出了一种Gabor特征优化组合方法。该方法首先利用MultiBoost挑选出对表情区分能力强的特征,并分析这些Gabor特征在不同方向与尺度上的分布；然后,对挑选出的特征利用K-means算法提取特征的关键区域,并在关键区域内放置关键特征点。最后,利用ASM实现关键特征点定位,从而确定关键区域,实现表情的自动识别。实验结果验证了优化组合后的Gabor特征,在计算复杂度和识别性能两者之间取得了较好的平衡。4.提出了基于差分ASM特征的表情识别方法。差分ASM特征是指有表情下的面部器官的形状与中性表情下面部器官形状的差异,可分为两类：直接DASM特征和间接DASM特征。直接DASM特征是直接利用了表情变化而引起的特征点位置变化,而间接DASM特征利用了部分特征点间表情变化而引起的距离差异。在利用改进ASM能够得到关键特征点精确定位的前提下,DASM特征能够捕捉细微表情变化,计算简单。5.提出了基于纹理特征和几何特征融合的表情识别方法。首先,纹理和几何特征构成全局特征,利用AdaBoost实现特征级融合。其次,全局特征又可细分为3组局部特征。然后,利用SVM对经特征级融合后的全局特征与3组局部特征进行表情分类,得到4个独立的识别结果。最后,将这个四个独立的识别结果进行决策级融合,得到最终的表情分类结果。该表情识别系统充分利用了面部的纹理特征和几何特征进行表情识别,提高了系统的可靠性。