近几年来,数码设备日益普及,数码相机、高像素手机几乎人手一部。即便是日常生活中,高质量图像的获取也是十分轻松。其中高质量人脸图像使得我们对于表情识别的工作开展更加容易。噪声小、特征明显等特点都减小了表情识别的工作量和难度。当然,计算机技术的日新月异,对于我们研究表情识别,更是起到巨大的推动作用。表情识别在当今科技发展领域得到很大重视,多款中高端手机都配备有笑脸捕捉功能。此外,表情作为社会生活中,人与人交流沟通中最重要的表现特征之一,自然蕴含了巨大的信息量。由此看来,我们对于表情识别的研究工作意义巨大。表情的不同实际上反映的是面部结构变化,人脸是一个复杂多变的系统,世界上没有完全相同的两张脸。这自然揭示出表情识别工作的困难程度。本文对于表情识别所做的工作,是在已有的研究成果基础上,总结方法作出实验,得出的较为初步的分析。主要工作体现在：1)综述课题的研究背景和项目前景,对国内外有关表情识别的研究历史与现状作出介绍。达到对于表情识别的统筹性认识,分清接下来表情识别工作的重点。2)在现有表情库JAFFE的表情图像基础上,进行表情图像预处理,包括灰度化、二值化、直方图均衡化、图像旋转裁剪等,为下一步的工作准备好图像数据,提高识别速度和效率。表情图像的预处理对于接下来的特征提取还有分类的影响很大,所以不能够直接对原始数据进行识别。表情图像经过预处理的步骤后,那些能突出表现表情差异的特征应该被保留下来,同时尽可能排除不相关因素,比如光照、姿态等因素的干扰。3)介绍了对于识别领域很重要的一种特征提取算法一主成分分析(PCA)。详细分析了PCA的数学原理,证明了基于K-L变换的主成分分析在数学上能够实现降低维数的目的。经过此步骤处理的图像数据能够描述人脸的主要特征,并且数据的冗余度很小,有助于接下来的分类。4)介绍了较为简单的分类算法K近邻以及核K近邻。近邻分类算法的核心思想都是通过衡量训练样本和测试样本的距离达到归类和识别的目的。算法简单,分类原理清晰,对于类间间隔都较大的样本集合,分类效果不错。将其应用到表情识别,分析了实验效果。5)介绍了模式识别领域的一种重要方法SVM,使用SVM方法进行表情识别；介绍了SVM的理论基础,统计学习理论和最优分类面理论；SVM只是解决二分类问题,在遇到无法分类的样本时,考虑运用SVM与K近邻结合的方法进行识别达到进一步准确分类的目的。