人脸表情识别是人机交互的一个重要领域，经过近半个世纪的研究，已经非常成熟。近年来，人们开始关注一种非常特殊的表情——微表情，由于其在各个领域应用的广泛性与重要性，微表情成为众多学者研究的一个热点方向。本文针对微表情识别的相关问题展开研究，主要内容如下：1.微表情序列图像预处理。本文的研究基于SMIC数据库，针对数据库自身的特性，进行了相应的图像预处理。首先，简要的介绍了灰度归一化和尺度归一化。其次，由于数据库中表情序列长度为11-58帧不等，长短不一，所以在这里使用时间插值算法来将序列归一化到同样的长度。实验证明，时间插值算法可以在不失真的前提下任意改变序列长度，给后续的处理提供了稳定的条件。2.微表情特征提取。序列图像特征提取主要是要获得帧与帧之间的关系和相应的纹理变化。分析了几种典型的动态序列特征提取算法，针对纹理提取的优势这一特点，采用LBP-TOP作为本文的特征提取算法。首先，提取静态图像的局部二值模式，分析结果可见，局部二元模式突出了主要器官的纹理特征。然后，引申到三个正交面，获得序列的局部二值模式。3.微弱表情放大。数据库中存在一些表情幅度极其微小的样本，小的运动特征带来的有用信息是很有限的，可能不能突出该表情类的特点，而是被受试者个人特征所干扰。为了解决这个问题，提出将特征点运动放大算法应用于表情幅度微弱的序列，针对各个类型的序列采取不同的特征点放大参数，将其拟合成相应的夸张表情序列。4.表情分类的实现。表情分类是人脸表情识别中最后的一个步骤，也是非常重要的一步。由于表情表述方式的多样性与复杂性，线性分类器很难达到理想的分类要求。通过分析几种分类方法，结合本文提取的特征的特点，选取SVM作为本文的分类算法。首先，通过一些实验选取了比较适合的SVM参数。然后，进行了大量的实验来验证本文使用的方法的性能。经过对比实验证明，本文使用的算法都达到了比较满意的结果。