表情在自然人际交往过程中占据重要的地位，与语言文字相比，表情所传递的情感信息更为有效直接，特别是面部表情，是人类最富表现力的情感表达方式。将人类这种交互中情感认知能力用于计算机，使计算机通过对人类用户对象的情感状态的分析识别推断人的心理状态，从而实现自由和谐的智能人机交互，如虚拟教学系统中虚拟教师对学生学习状态识别、驾驶员驾驶状态识别等，为计算机的人性化服务提供基础。然而，自动化的面部表情识别虽然已有十多年研究历史，但由于表情自身表达的复杂性、多变性，加之所获取的面部表情图像常存在包括不同人面部表观形状、头部姿态、光照和遮挡等多种因素的影响，其研究仍然是一个非常具有挑战性的任务。目前随着深度学习的兴起，学习对象的多层特征表述形式，提高了对复杂对象的表示能力，本论文旨在将深度学习算法应用到人脸表情识别，提取更具有可判别能力的多层表情特征，提升表情识别效果，为深度学习算法应用于表情识别提供有效的研究方法。另外研究人脸表情识别涉及机器学习、模式识别、图像处理、生理学、认知科学等多学科的技术，是视觉图像处理和智能人机交互研究的热点，课题具有一定理论研究意义。　　本文对深度学习方法探讨的基础上，针对深度超限学习机进行了研究，提出了深度收缩学习机和提升表情相关特征提取的收缩判别分析方法，实现从表情图像中识别情感状态。主要的研究工作和创新点如下:　　1.表情图像库的采集工作。通过实验室采购的多个高清摄像头和单个Kinect深度数据采集设备，从多个不同角度采集受试者做出面部表情和上肢动作。本文主要完成了多摄像头的数据同步采集和录制程序编写、采集界面设计以及可以激发受试者做出各种表情的图案、题目及视频等题材设计。本文在做表情图像实验时只使用了采集到的人脸的正面图像，同时也包括在不同姿态、光照和遮挡的条件下的表情图像。面向表情数据标定，本文完成了基于图像和深度数据的面部特征提取，提出利用骨架模型结合认知常识，实现部分反映特定情感状态的手势识别。　　2.研究并完成了深度超限学习机的训练模型框架。由超限学习机的高效训练方法代替传统单隐层前馈网络的反向传播算法得到启发，本文使用超限学习机的训练方法模仿自动编码机的无监督学习过程，将超限学习机的输入当做模型输出标签来训练模型来实现无监督的学习。根据自动编码机的理论，当设置合适的隐层节点数目时，由超限学习机学习到的输出权重矩阵中必然包含输入数据的有效特征表示。深度超限学习机是基于上述无监督超限学习机针对堆叠自动编码机的扩展，将多个无监督超限学习机堆叠起来，训练过程也是逐层贪婪地进行训练。在深度超限学习机中的最后一层将有监督超限学习机作为分类器。深度超限学习机通过新的训练方法多层次学习而自动学习得到对原始数据的不同抽象层的高层信息表示，然后对这些不同抽象层的表示进一步分类预测。本文通过一系列在基准数据库做实验表明，此算法不仅训练速度快，而且识别率也高于堆叠自动编码机、深度信念网等其他深度学习算法。　　3.提出深度收缩超限学习机。深度收缩超限学习机是对深度超限学习机在人脸表情图像识别应用下的改进。收缩超限学习机是采用收缩自动编码机中添加的规则项，即对无监督超限学习机中编码阶段的激励输出的雅克比矩阵的F范数。该规则项可在图像局部空间提取更鲁棒的特征。相比堆叠收缩自动编码机和其他深度学习算法，深度收缩超限学习机训练时间非常快，而且通过实验表明针对人脸表情识别的准确率也有一定程度的提高。　　4.提出新的基于深度收缩超限学习机的收缩判别分析。虽然深度收缩超限学习机可以提取鲁棒的特征，然而针对人脸表情识别仍是无法判别有关表情的特征和无关表情的特征，如面部的姿态、光照和形态变化。本文基于深度收缩超限学习机提出收缩判别分析算法，将表情相关的特征和与表情无关的特征分离的能力，所提取的特征具有人脸姿态及形变不变性，实验证明具有很好的鲁棒性和识别率。