作为人工智能、人机交互的重要组成部分,面部表情识别的研究遍及多个学科,是一项综合性的问题,随着研究的深入,人脸表情识别已经被用于智能交通、公共安全等多个领域,且取得了优异的表现。近年来,表情识别受到了机器学习与计算机视觉学者的追捧,使之成为了该领域的又一热点。因此,面部表情识别的研究工作具有重要的理论意义与实际价值。本文将提取有效的表情特征以及分类器的设计作为主要的研究目标,针对传统的Gabor无法兼顾识别率与实时性的缺点,提出了一种融合Gabor、局部二值模式(LBP)、局部相位量化(LPQ)三种特征及ELM分类器的表情识别系统。本系统的核心在于通过Gabor滤波器提取人脸图像的边缘信息,根据获得的变换表征结果,提取其LBP特征及LPQ特征。为了克服Gabor变换带来的冗余,应用主成分分析(PCA)算法对提取的特征进行降维,减少冗余、提升特征有效性、提高计算速度,并对降维后的LBP特征及LPQ特征进行直方图操作。最后,设计基于ELM神经网络面部表情分类器。该双输入分类器很好的连接提取的双特征,并对表情图像进行分类识别。为了验证设计的面部表情识别系统的性能,本文搭建了基于MATLAB的表型识别平台。通过在JAFFE表情库中进行的各类实验对比与分析,本文的方法在识别的准确率与速度上都比传统方法更有优势。本文为今后在线的面部表情识别研究提供了思路,具有一定的理论价值与应用价值。