微表情是一种不受人类刻意控制、由内而外自发表达内心真实情感的行为,通过这种短暂、细致的真实反应提取有效非言语线索,可以准确洞察人类心理活动,相关研究涉及临床心理学及计算机科学中多个研究领域,在临床医学、国家安全、司法侦讯等领域具有实际应用意义。本文重点对微表情检测与定位关键技术进行研究,主要研究内容包括三个方面：(1)在对传统局部时空兴趣点检测算法研究分析基础上,提出了基于Mo SIFT和词袋模型的微表情兴趣点检测及特征描述算法。所提算法不需要提前定位感兴趣区域,而是直接对视频流中每帧图像进行局部时空特征提取,继而同时选用梯度方向直方图和光流方向直方图作为特征描述子获取视频片段的空间和时间特征。(2)为获得更加紧凑、准确的特征表示,所有微表情特征通过K-means算法聚类得到视觉词典,为克服传统矢量编码方法重构误差较大的不足,本文采用同步正交匹配追踪将每一个特征映射到视觉词典中,获得微表情特征的稀疏表示,并用于后续的识别和预测。(3)论文选用K-近邻和支持向量回归对前面所提特征进行了实验分析。在CK+数据库上,对数据库中四种典型表情进行分类,通过兴趣点可视化和识别率对比了STIP和Mo SIFT两种检测方法,结果显示Mo SIFT在主要面部运动单元区域能稳定地检测到较多关键点,可为后续字典学习和特征描述提供足够信息,并且取得了平均86.35%的正确识别率。在CK+数据库实验结果的基础上,使用AVEC数据库,从情感状态角度,通过支持向量回归对情感状态的四个维度：激活度(情绪是觉醒还是昏睡的程度)、期望度(情绪是惊奇的程度)、强度(受外界影响时控制自己情感的程度)、正负度(情绪表现积极还是消极)建立了预测回归模型,并预测到正确四种情感状态值的变化规律。