表情识别作为一个典型的图像模式分析、理解与分类计算问题,它为模式识别、计算机视觉、图像处理、人工智能、人机交互、神经计算以及心理学等众多学科提供了一系列良好的具体问题。人脸表情识别问题的深入研究和最终解决,可以极大地促进这些学科的成熟和发展。例如,作为一个模式识别问题,它被认为是最具挑战性的问题之一：不同类别模式的差别非常微妙,这一点由于数据采集过程的噪声、成像设备的精度、外界条件的变化以及数据缺损等原因而显得更加突出。同时表情识别又不同于其他种类的模式识别,它的研究并不仅仅局限于识别阶段,更重要的是分析人的精神状态和心理活动,达到人机交流的目的。表情识别也是智能人机接口领域的核心研究内容之一,表情识别本质上是要赋予计算机知道人外在表现的能力,这恰是智能人机接口研究需要解决的问题之一,也是机器智能的重要表现。人脸表情识别问题的最终解决可以极大地改善目前呆板、一成不变的人机交互环境,让计算机理解人类的思想,从而在一定程度上改变人们的生活方式。表情识别具有巨大的商业应用前景,例如在视频会议、远程教育、医疗系统以及电脑游戏中的应用。本文主要针对表情识别过程中的特征选择方法进行研究。基于粗糙集理论,研究粗糙集属性约简算法,并把属性约简算法应用到特征选择的过程中,同时本文结合人工神经网络理论,对表情识别的方法进行研究。取得的主要研究成果如下：1.基于经典粗糙集属性约简理论的特征选择方法。引入经典粗糙集理论,将粗糙集的属性约简方法应用到特征选择的研究中。同时提出了粗糙集与神经网络相结合的表情识别方法,在特征选择过程中对表情信息进行属性约减,达到消除冗余信息的目的,很大程度地降低了特征的维度,降低了识别过程的复杂度,取得了较好的识别效果。2.在MSH属性约简算法的基础上提出IMSH约简算法。MSH属性约简算法在面对属性维度较多,实例规模较大的数据集时,往往时间效率较低。针对这一缺点,在粗糙集MSH约简算法的基础上提出了改进后的启发式函数wS,进而提出了粗糙集IMSH约简算法,启发式函数WS更多的考虑了每条决策规则对决策表整体分类的影响,更容易找到全局最优解而不像MSH算法容易陷入局部最优解。首先在出现相同启发式函数值的情况下,MSH算法不能够自主的进行选择,而IMSA通过分析条件属性集对决策属性集依赖的程度,能够很快的做出选择；其次在属性选择上,MSH算法不是针对全局进行考虑,仅仅是考虑了支持度最大的属性,缺乏客观性。IMSA算法从全局考虑,针对所有决策类进行属性选择,具有很好的公平性。通过实验证实,新的IMSH算法提高了原有约简算法的时间效率和选择属性的能力。3.提出FSPA-IMSH算法。在本文提出的IMSH启发式信息基础上,结合新近提出的基于近似正区域的FSPA约简算法框架,提出了FSPA-IMSH算法。FSPA算法框架的主要思想是：首先计算决策表的核属性集,并以此核属性集为起点,根据正向近似方法逐步从论域中排除一些实例对象,缩小论域空间,同时选择使启发式信息函数值最大的新增属性加入到约简集中来,按上述方法重复迭代,直到约简集满足终止条件,则此时的约简集即为属性约简结果。在FSPA-IMSH算法中,启发式函数的计算时间由于论域空间的减小而显著减少。当实验样本数量到达一定规模时,FSPA-IMSH算法的时间优势明显,这由于FSPA-IMSH在算法框架上使用了基于正向近似的FSPA属性约简框架,使算法同时从框架和启发式信息两个方面提升属性约简的速度和属性选择的质量。同时将新提出的算法与神经网络相结合应用到表情识别中,得到了很好的实验结果。