人脸表情是传播人类情感信息与协调人际关系的重要方式。通过对人脸表情的识别，可以获取大量有价值的信息。目前，基于人类视觉感知，采用机器学习方法对人脸表情特征进行归类的人脸表情识别已成为多媒体信息处理、人机交互、情感计算、智能控制、机器视觉、图像处理与模式识别等领域的重要研究课题。人脸表情识别主要面临着三个困难:首先，表情具有个体差异性。不同民族、性别、文化背景的人在做相同表情的时候，具有不同的表现特征;其次，半监督人脸表情识别算法没有考虑训练样本和测试样本的特征空间和数据分布不一致的问题;最后，面部遮挡情况经常发生。这些问题造成了算法识别率和鲁棒性的下降。为了提高人脸表情识别算法在复杂实验条件下的识别率和鲁棒性，突破人脸表情识别对特定条件的局限性。本论文深入研究了鲁棒人脸表情识别方法，主要研究内容与成果如下:　　1.针对表情个体差异性和外貌相似性造成的算法识别率较低的问题，提出了两种新的基于判别分量分析的人脸表情识别算法，即局部判别分量分析算法和二维局部判别分量分析算法。前者是基于向量的识别方法，后者是基于矩阵的识别方法。两种算法均采用距离每个测试样本最近的若干训练样本组成训练子集，依靠训练集的局部结构信息实现对人脸表情的特征提取，保证了与测试样本同类的训练样本在训练集中占据数量优势，使距离变换矩阵的映射结果更能突出测试样本的表情类别。实验结果表明，两种算法对生气与厌恶、恐惧和惊奇、恐惧与悲伤的两类表情的识别率达到了90％以上，对包含了不同民族、性别的多类表情的识别率分别达到了90％和80％以上。与基线算法相比，本章算法具有明显优势。　　2.半监督学习要求训练样本和测试样本满足特征空间和数据分布一致性的假设。但是表情的个体差异性和姿态变化却经常导致该假设的不成立，降低了表情识别的准确率。针对这一问题，提出了一种新的半监督学习自适应提升算法。该算法通过知识迁移的思想构建分类模型，在一定程度上克服了训练样本和测试样本特征空间与数据分布不一致的问题。在半监督学习的框架下，分别对多数据源的人脸表情样本以及多姿态人脸表情样本展开识别。实验结果表明，与基线算法相比，半监督学习自适应提升算法分别在多数据库和多姿态数据库上获得了73.33％和87.71％的最高识别率。　　3.针对人脸部分遮挡给人脸表情识别带来的信息缺失和噪声干扰问题，提出了一种精确增广拉格朗日乘子法和半监督学习自适应提升相结合的表情识别算法。首先，采用了精确增广拉格朗日乘子法对人脸表情图像的遮挡部分进行重建，在矩阵中部分元素被严重破环的情况下尽量恢复原矩阵;其次，使用线性判别分析算法提取重建图像的表情特征;最后，依靠半监督学习自适应提升算法，实现了多数据库条件下对人脸部分遮挡图像的表情识别。实验结果表明在随机遮挡的情况下，该算法获得了比基线算法更高的表情识别率。