随着计算机技术与人工智能技术的发展,生物特征识别技术在国防安全、社会安防、商业金融等领域有着越来越广泛的应用,逐渐成为政府、社会、商业领域的关键重要技术。在生物特征识别技术中,以人脸生物特征为基础的人脸识别与表情识别等面部分析是其一个重要的研究与发展方向,尤其在近些年发展迅速,在模式识别、计算机视觉、人工智能、人机交互等研究领域有着广泛的研究。发展至今,以人脸生物特征为基础的面部分析技术已经融合了计算机视觉、人工智能、人机交互、深度学习、软件设计、电子硬件等很多学科的知识,已经广泛涉及到当前很多前沿领域的技术知识。本文以人脸生物特征为基础进行了人脸识别与表情识别的研究,主要以实际应用出发,实现了基于摄像头视频的人脸识别和表情识别。本文具体提出实现了基于PCA降维的特征脸方法和基于ASM模型的SVM表情识别方法,围绕人脸生物特征展开研究,论文的主要研究内容包括:（1）人脸检测。人脸检测是人脸识别与表情识别过程中的一个非常重要的前期工作,且是必须要进行的工作。本文中采用了基于特征的方法实现了人脸检测,主要以人脸图像的Harr-like特征、LBP特征、MB-LBP特征为基础,结合使用Adaboost分类器实现了人脸检测。以MB-LBP特征为基础的人脸检测能够精确的检测定位在表情变化、复杂光照变化、复杂背景、人脸角度变化等情况下的快速人脸检测。（2）图像预处理。图像预处理是进行识别分类的一项重要工作,本文主要采用了灰度归一化、尺寸归一化、中值滤波降噪、灰度直方图均衡化增强等方法对人脸图像进行了预处了工作。这些图像预处理方法很好的消除了各个图像之间在光照、噪声、亮度变化、尺寸变化等因素对识别的影响,其中中值滤波降噪实现了对图像的良好降噪处理,灰度直方图均衡化实现了图像的增强处理让图像的细节特征更加的清晰。（3）人脸识别分类。本文研究出了基于PCA降维的特征脸方法实现了人脸识别分类,通过PCA对所有的人脸特征进行降维处理得到平均人脸,通过协方差矩阵构建人脸特征空间,最后通过计算待识别的人脸特征与人脸特征空间之间的距离进行分类识别。（4）人脸关键点检测定位。人脸关键点检测定位主要是在人脸区域内检测定位出眼睛、鼻子、嘴巴、眉毛以及人脸外部轮廓等脸部特征点在图像中的位置,本文研究表情识别的方法来说,检测定位的人脸关键点的个数越多,表情识别的精度就越高,但是随着关键点的个数增加检测定位的难度也就越大。本文研究出了基于ASM模型和基于MB-LBP特征的AAM模型的两种关键点检测定位方法,成功实现了面部68个关键特征点的检测定位。（5）表情识别分类。本文研究出了基于ASM模型的SVM方法实现了表情识别分类,通过ASM模型方法来提取表情图像的面部68个关键特征点的特征值,之后使用SVM分类器算法对特征值进行训练,之后再使用决策树思想进行表情的识别分类。（6）人脸识别与表情识别实验。使用标准的的人脸数据库和表情数据库进行相关实验,验证本文的研究方法,统计出本文方法下的人脸识别率和表情识别率,并且与文献中的方法进行识别率对比,发现本文方法的优缺点,进行本文方法的完善优化。