人脸表情识别在情感计算和人机交互领域已经获得了广泛的关注,同时也成为了一项热点研究课题。传统的人脸表情识别方法在一定程度上能够取得令人满意的效果,并且目前的大多数方法都是在单一数据库上进行训练和评估的。然而在实际应用中,用于训练和测试的图像通常来自不同的场景,如不同的种族、不同的环境或不同的采集设备等,这样便会导致识别性能显著下降。为了解决这一问题,本文提出基于迁移学习的跨域人脸表情识别方法,从而来获得更好的表情分类效果。本文的主要内容如下:（1）提出了一种潜在稀疏迁移子空间学习的跨数据库人脸表情识别方法。该方法的目标是学习一个公共的子空间,其中每个目标域样本都可以在学习到的子空间中由源域中的一些有价值的样本进行线性表示。通过对重构矩阵施加l2,1-范数约束,可以很好地选择最具判别性的特征。为了指导新的表示学习,该方法设计了一种新的图正则化项来很好地保留数据的局部结构信息。此外,还引入了流行的距离度量方法,即最大平均差异项,来增强算法的迁移能力。大量的实验结果表明,相较于对比的非深度和深度迁移学习算法,该方法获得最佳的识别性能。（2）提出了一种联合局部-全局判别子空间迁移学习的跨数据库人脸表情识别方法。该方法首先提出一个联合局部-全局图作为距离度量,不仅考虑每个数据库之间的局部判别几何结构信息,同时还考虑利用一个全局图来进行知识传递,使得两个数据库之间的差异明显减小。其次,不同于直接将数据投影到标签空间的方法,本文提出了一个成对回归函数来指导判别子空间迁移学习。为了保留数据中主要的判别信息,该方法还引入了一种数据重构约束条件。并且,通过对投影子空间施加行稀疏性约束,来进一步从原始高维数据中选择最重要的特征和增强投影矩阵的可解释性。最后,将该方法与多种基线方法进行了大量的实验对比,从实验结果可以看出,该方法获得了更高的表情识别准确率。