人脸表情识别作为情感研究的重要组成部分,是实现人与机器交互的必要条件,具有重要的研究意义及潜在的商业价值。本论文就人脸表情识别过程中两个重要环节进行了分析,分析了现有的人脸表情特征提取算法以及人脸表情分类识别方法中存在的不完善的地方,并且提出了解决方案。本文研究的主要内容有:1.针对局部梯度二值模式（Local Gradient Binary Pattern,LGBP）只能在单尺度模板下提取人脸表情纹理特征的不足,采用了异或-非对称区域局部梯度二值模式（XOR Asymmetric Region Local Gradient Binary Pattern,XOR-AR-LGBP）多尺度多方向的特征提取方法,该算法不仅能在大尺度多方向下提取人脸表情特征,还能把两种尺度下提取到的表情特征进行融合,作为最终的分类特征。首先,对人脸表情库中的图像进行灰度化和尺度归一化处理,然后,以人脸表情图像中随机一个像素点的任意奇数域为模板,该模板包括中心像素点和八个子邻域,对每个邻域内的像素点取平均值,这个值就作为此邻域的像素值,再采用LGBP算法对该像素点编码得到一个八位的二进制序列PA,再以不同的奇数域为模板,采用同样的方式获取该像素点的另一个序列PB,最后,把PA和PB的信息融合为一个新的序列,转换为十进制数值后作为该像素点的特征值。采用上述步骤,提取图像中所有像素点的特征值,然后进行特征值统计,得到最终的分类特征,最后用支持向量机（Support Vector Machines,SVM）处理最终的分类特征。实验结果也证明了该特征提取算法是可行的。2.采用一种改进的遗传模拟退火算法（Improved Genetic Simulated Annealing Algorithm,IGSAA）优化支持向量机的方法。IGSAA算法以训练SVM的K重交叉验证表情分类正确率为适应度函数值,首先对自适应遗传算法（Adaptive Genetic Algorithm,AGA）进行了改进,不仅减少了算法的复杂度,还提高了种群的多样性,然后改进了模拟退火算法中的接受准则,对于产生的较差个体并不采取全部否决的措施以提高种群的多样性,最后利用改进后的遗传模拟退火算法对SVM的惩罚参数C和核函数参数γ寻优,然后用寻到的最优参数构建SVM,再进行表情分类。实验表明了IGSAA-SVM具有更高的平均识别率,说明了该方法的有效性。