表情识别算法的研究和应用是学者们研究的热点，随着技术日趋成熟，应用范围越来越广。在过去一段时间，表情识别算法在识别速度、准确率等一些方面已经达到实用程度，但由于实验室环境苛刻，样本多样性较低，实际应用中算法在鲁棒性和泛化性方面表现不够优越，尚有较大的改进空间。研究鲁棒性强、泛化性广的表情识别算法对改善人机交互方式、分析人类情感和医学研究应用等方面具有重要意义。　　针对现有表情识别算法对标准表情库外实验个体识别效果不佳的问题，本文对表情特征提取和表情识别算法分别作出改进，算法包括表情库构建与预处理、表情特征初次提取、表情特征的二次提取与分类、网络权重配置四个部分。首先，利用标准表情库、自行采集表情和互联网采集表情结合构建本文数据库；其次，改进LBP特征，将图像整体特征和局部特征结合，提出鲁棒性更强的自适应阈值LBP特征，将自适应阈值LBP特征和Kirsch-Canny特征作为初次特征；然后，使用两个三层DBN网络分别对初次特征进行表情特征的二次提取与初次分类；最后使用加权集数据确定两个DBN网络的加权值，加权结果即为表情识别结果。　　实验结果表明，本文算法在CK+标准表情库中的平均识别率达到94.5%，使用同一训练模型在自制表情库中的识别率达到81%。同其他算法的对比实验表明，本文方法在对CK+表情库中实验个体识别率比其他算法低0.6%，但同一模型对表情库外实验个体表情的识别率提高了14%。