人脸表情识别,作为情感计算的一个重要研究热点,在多个领域展现出广阔的应用价值。虽然基于人脸表情识别的研究众多,但仍面临着较大的挑战。在基于传统机器学习的表情识别算法中,单一的特征提取方法得到的表情信息较少,影响最终的识别性能;在深度学习方法中,网络深度和宽度的增加使得网络参数增多、数据冗余。人脸表情特征的有效提取是提高识别效果的关键方法,也是目前该研究领域急需要解决的问题。基于上述问题,本论文进行了以下研究:(1)局部二值模式(LBP)特征和韦伯局部描述符(WLD)特征作为两种典型的纹理特征描述算子,能够很好地刻画人脸表情的细微变化,但侧重点有所不同。LBP特征侧重于考虑中心像素点周围像素的变化,WLD特征主要考虑中心像素点与周围像素点的激励强度、梯度方向。鉴于这两种特征的局限性,本文对LBP特征和WLD特征进行特征融合组合成新的LBWP特征。在提取LBWP特征后采用SVM分类器进行表情分类。实验结果表明,LBWP特征在表情识别方面优于LBP特征和WLD特征,在CK+数据集和JAFFE数据集的实验结果分别提高了2.46%、5.20%。(2)在人脸表情识别的深度学习算法中,针对参数量大和数据冗余问题,本文采用基于双路径网络模型进行表情分类。双路径网络模型是基于Res Ne Xt模型和Dense Net模型的组合网络。该网络模型不仅能够提取更深层次的表情特征,而且在网络训练过程中发现和学习新的特征。在CK+扩充数据集上进行网络训练,避免数据过拟合。训练网络采用了3个DPN模块,每个DPN模块包含6个微PDN模块,实现了网络参数的减少、避免了数据冗余,缩短了训练时间。用CK+数据集和SFEW数据集对DPN模型进行测试,测试结果分别为95.3%、57.06%。