自动面部表情识别旨在于赋予计算机理解人类情感能力，实现自然人机交互。该研究涉及心理学、信息科学、人工智能等多个学科，在教育、医疗、人机交互以及公共安全等多个领域具有广泛应用。　　 传统自动面部表情识别系统多基于Directshow等视频处理架构设计，由于该架构的有锁编程方式和表情识别各步骤的时间开销不均匀，较难实现并行，而面部表情识别的时间开销较大，因此制约了系统的实用化。提升表情识别系统的效率主要可以从算法和系统架构两个方面实现。　　 在算法方面：通过对比实验发现，把人脸图像归一化到48×64的尺寸，同时采用8×8的大小分块的方式提取全局Gabor特征，能够获得较高的识别率，并且具有一定的稳定性，计算量也适中；另外，通过类Adaboost算法的特征选择方法，从有重叠的83个分块2490个Gabor特征中选择200阶时，不仅能够有效降低特征提取步骤的时间开销，同时系统的识别率也略有提升。　　 在系统架构方面：通过引入WCF架构，使得表情识别各步骤的算法模块能够部署在服务器对外提供服务，并且WCF服务本身具有并发性，支持多路并发访问；通过采用异步编程可以释放调用WCF服务过程的处理器资源，实现同一服务调用源的并行表情识别；通过采用服务器层抽象和JPEG压缩两种方法分别减少不必要的网络数据传输和降低图像数据传输的带宽和时间开销。　　 通过在国际标准表情数据库(JAFFE)上的模拟仿真表明：经过算法和系统架构两个方面的改进，基于WCF架构的分布式表情识别系统在不同的帧率、多目标以及多路并发访问的条件下都具有良好的并发性能。