人脸运动单元状态识别是指通过计算机分析人的脸部不同运动单元和其组合的状态变化，由此可确定其内心情绪或思想活动，实现人机之间更自然更智能化的交互。人脸运动单元识别的研究对于增强计算机的智能化和人性化，开发新型人机环境，以及推动心理学等学科的发展，有着重要的现实意义，并最终产生很大经济效益和社会效益。本文首先综述课题的研究背景，分析目前国内外已提出的主流人脸运动单元识别方法，重点对小波变换、独立分量分析、矩的方法和光流模型进行了详细阐述和比较。然后针对人脸运动单元识别系统中人脸图像预处理和运动单元子区域的定位与分割、运动单元特征提取和运动单元特征分类识别三个主要部分，提出了自己的一些算法，具体包括如下：(1)提出了基于Harris角点检测的上半人脸运动单元子区域定位与分割算法。在从图像中检测出入脸区域的基础上，对检测出的人脸区域进行归一化处理，然后用基于Harris角点检测的算法精确地定位各个上半人脸运动单元子区域，并将其分割出来。该算法能准确地从人脸区域中将不同的上半人脸运动单元分割出来。(2)提出了基于KPCA的上半人脸运动单元状态特征的提取算法。在定位分割出上半人脸运动单元子区域图像之后，提出了采用KPCA算法提取它们的特征。在设计KPCA算法中，根据上半人脸运动单元图像的状况，选择设计相应的核函数，形成合理可用的有针对性的改进KPCA特征提取算法。该算法既能屏蔽与个人有关的特征以及光照的变化，基本做到与人无关的运动单元状态识别，使识别系统更加可靠、鲁棒；又能将图像映射到特征空间，大大降低了图像矩阵的维数，从而有效地减少计算量。(3)采用了基于改进的SVM分类器，进行上半人脸运动单元状态的分类识别。通过对提取出的KPCA特征的性质进行分析和试验，然后合理选择设计相关的核函数和惩罚因子，从而形成基于SVM的上半人脸运动单元状态的分类识别算法。该算法能够获得较好的识别结果，同时保证较快的执行速度。最后采用面向对象的设计方法，结合应用了VC++和Matlab中的相应库函数，设计开发了上半人脸运动单元状态特征提取与识别的原型系统，从实验角度验证了上述方法的有效性。