人脸表情识别以数字图像处理、模式识别以及计算机视觉等学科为基础，在人机交互、机器智能上有着重要的应用。但现阶段成功的商用实例比较少，这主要是由于现阶段人脸表情识别还处在发展过程中，相关的理论和算法还需要进一步的研究过程。但是其在医疗、安全、公共服务等方面将会有着广泛的应用前景，必将给人们的生活带来一场新的革命。本文使用压缩感知和支持向量机两种理论方法来进行人脸表情识别。压缩感知理论指出，若信号可以在某个合适的基或字典的表示下被稀疏表示，则其可以只用少量的非零大系数表示，并且可以利用这些值按照某种算法分类或者重构原信号。支持向量机理论以统计学习理论为基础，对于小样本、非线性、高维的分类问题具有较好的效果。以这两种理论方法为基础，本论文开展了以下工作：1.本论文以常见的人脸表情数据库为基础来进行人脸表情的识别实验。实验中使用了JAFFE、CAS-PEAL、Cohn-Kanada三个人脸表情数据库中880张图像样本。在对样本进行了几何预处理和灰度预处理后，用于人脸表情的特征提取。2.使用压缩感知来进行人脸表情图像样本的特征提取。压缩感知的前提是信号的稀疏性，这个特性可以让信号利用冗余字典得到稀疏表示。然后利用随机测量矩阵对稀疏表示后的信号进行观测，得到测量值。用得到的测量值构成特征向量，并对其进行归一化，作为支持向量机的分类依据。3.使用支持向量机进行人脸表情识别。通过不同的实验探讨了特征值数量、核函数、参数优化以及分类类别数对分类准确率的影响，从而找到人脸表情识别的最佳条件。最后通过与基于Gabor和SVM的人脸表情识别方法对比，印证本文方法在分类准确率和时间消耗上的优越性。