微表情通常发生在一个人试图隐藏他的真实感受的时候,与基本表情相区别的地方在于其持续时间短,强度低。微表情可以用来揣度一个人的心理,在医疗、商业谈判、刑事审讯等领域有重要作用。所以近年来,微表情检测与识别工作逐渐引起了学者的关注。微表情计算机自动识别技术研究尚处于初始阶段,有效鲁棒的应用产品还没有出现,研究人员也主要集中在少数几个研究机构,微表情识别的前端工作——微表情发生阶段自动检测更是几近空白,但是其却是自动识别的先决条件。微表情自动检测与识别研究的难点在于其强度微弱,容易受环境因素扰动.,持续时间短,一般传感器难以捕捉;发生部位区域狭小与不确定,不像基本表情那样面部某块区域肌肉产生集体有向运动。针对上述问题,基于近期微表情检测与识别有效算法的出现和受深度学习技术在特征学习方面巨大成功的启发,本文将探索和研究微表情自动检测与识别方法以及应用。本文的主要工作如下:(1)提出了基于光流分析和滤波器设计的微表情检测方法,应用运动特征去中心化和归一化减弱噪声影响,有效实现了微表情的自动定位;把基于分块的LBP-TOP特征和组稀疏最小二乘回归的微表情识别算法,应用到微表情的判别上。(2)将深度神经网络驱动的特征学习方法应用于微表情识别,提取基于FACS编码系统划分的LBP-TOP特征,并用于深度学习,提高了微表情分类性能。(3)开发了一个自动检测和识别的微表情的原型系统。(4)参与建立了一个自然诱发的微表情数据库。并将本文提出的特征学习驱动的神经网络学习算法应用于该库作为基准。