人工智能与机器视觉技术的迅速发展,掀起了图像处理领域发展的浪潮,深度学习算法也逐渐步入人们的视线。人脸面部表情识别作为人机交互的一个重要组成部分,利用深度学习算法实现对人脸面部表情的识别和分类成为了各界学者研究的热点问题。论文主要是对静态的人脸面部表情进行识别分类。首先运用Adaboos算法对人脸面部表情图像进行粗略的裁剪,再利用梯度积分投影和双阈值二值化对人脸面部表情图像中的人眼进行定位从而实现对人脸面部图像的精确裁剪;对于裁剪好的图像又对其进行了基于双线性插值的尺度归一化处理和基于均衡化算法的灰度归一化处理,得到最终的统一尺寸和统一灰度的人脸面部表情图像。综合考虑的神经元的特征、学习规则和网络的拓扑结构三个方面构建了一个用于对人脸面部表情进行识别和分类的卷积神经网络构架。卷积层采用固定权值的Gabor小波直接构造,全连接层采用支持向量机算法进行构造,并运用匹配生长规则对卷积神经网络的层次结构进行确定,利用反向传播算法对整个卷积神经网进行参数训练。最终得到经过实验确定的适用于人脸面部表情识别与分类的卷积神经网络结构。针对Gabor小波的位数灾难问题,运用Fisher线性判别法改进的主成分分析法对其进行了降维处理,有效地解决了人脸面部图像维数过多和识别时间较长的问题。对改进的主成分分析法结合支持向量机算法与卷积神经网络算法分别进行了人脸面部表情识别的实验,并与传统的人脸面部表情识别结构进行了比较,验证了卷积神经网络在人脸面部表情识别的准确性和有效性;另外,对人脸面部表情识别分类系统进行了设计,并设计了应用于人机交互的GUI图形用户界面。