面部表情识别是人工智能领域的一个新兴的研究课题，研究目标是让一些人工智能产品(例如机器人)能够自动地识别出人的表情，进而分析人的情感。机器自动面部表情识别能够进一步增强人机交互的友好性与智能性，因此具有非常重要的研究和应用价值。 在分析了目前国际上面部表情识别算法的基础上，本文着重研究了表情识别的特征提取及分类算法，并进行了相关的测试。论文的主要内容如下： 1．研究了人脸检测算法以及表情图像的预处理方法。使用Adaboost机器学习算法来进行实时的人脸检测与眼睛定位。采用了根据眼睛坐标对图像进行旋转、剪切及放缩等几何预处理及使用直方图均衡化等进行灰度预处理的预处理方法。 2．在分析多种表情识别算法的基础上，确定了采用Gabor小波变换进行特征提取，用Gabor小波变换系数向量代替图像的灰度特征，以减弱图像对光照和位置的敏感性。使用PCA／LDA Fisher判别分析法对Gabor向量进行降维及特征空间训练的子空间分析方法。由于该方法降低了特征向量的维数，因而提高了识别速度；同时通过子空间变换，增加了类间离散度，从而使表情图像更易于分类。 3．研究了表情模板的构造及分类问题。由于同一种表情在表现形式上存在着差异，所以可以把一种表情划分为多个子表情类，基于该思想，本文使用了C均值动态聚类的方法来构造表情模板。对于待识别的表情图像，使用K近邻判别法与各个子表情模板进行匹配。实验证明，由于该方法充分利用了每种子表情之间的差异，因此取得了很好的分类效果。 4．根据论文中研究的表情识别算法，开发了一个自动表情识别原型系统。该系统从摄像头获得输入图像，实时地跟踪人脸、定位眼睛坐标，并实时识别出高兴、厌恶、悲伤、生气、惊讶、恐惧及中性表情，共计7种表情。