人脸表情识别(Face Expression Recognition,FER)是计算机自动人脸表情识别的简称,指利用计算机技术对人脸表情信息进行特征提取,按照人的认识和思维方式加以归类和理解,进而从人脸信息中去分析理解人的情绪,是计算机视觉研究的重要组成部分。表情识别的核心在于表情特征的提取。计算机自动识别人脸表情之所以困难,原因在于人脸是一个柔性体,为人脸表情特征建立精确数学模型的难度较高。脸部器官的位置稍有变动,表情就会发生巨大的变化,因而如何选择特征成为决定识别精度的关键。本文着眼于特征提取,从单特征提取和多特征融合两个方面对人脸表情识别做了比较深入的分析与研究。类内PCA是对每一类训练样本分别进行PCA处理,使得类间样本距离增大,类内样本距离缩小。论文将类内PCA方法应用于表情识别,并将这种方法与类间PCA方法进行了比较。每种表情特征在识别上都有其自身的局限性。因此,仅仅提取某一种特征不会得到很高的识别率。基于此,本文给出了一种新的表情特征——角度变化几何特征,并运用特征融合技术对人脸表情的Gabor特征和角度变化几何特征进行了融合。实验证明,类内PCA方法的识别精度高于类间PCA,而角度变化几何特征和经过类内PCA提取的Gabor特征相融合后的识别率又高于类间PCA和类内PCA。