计算机人脸表情识别技术是指计算机从人脸图像中分析并提取表情特征,应用人工智能和模式识别的方法加以归类和识别,进而理解人的情感。它是图像处理、模式识别、心理学等领域的一个的交叉课题。它推动计算机的情感化、人性化和智能化,具有重要的研究价值和广泛的应用前景。本文以表情识别的基本流程为线索,研究相关算法,并逐步实现一个表情识别系统。针对现有表情识别过程中的特征选择、多类SVM分类器、识别系统运算速度等问题,本文主要基于FAI、投票、平衡二叉树、并行处理原理,对表情识别算法进行深入研究,主要工作如下:1.基于FAI与投票法的特征选择算法:研究传统的基于FAI的属性约简算法,发现两个重要缺陷:a.直接把FAI累积值J（k）作为约简标准,而J（k）反映的是第k维特征的宏观分类能力,易出现较大偏差;b.基于粗糙集“样本相容性”的约简控制,应用于连续型特征值时,对离散化的级数比较敏感,很容易造成约简算法耗时低效。将该算法改进为基于“类对”的FAI值F_ij（k）的票选法。新算法提高了属性约简（即特征选择）的效度。2.基于多类SVM分类器的表情分类算法的改进:发现基于二叉决策树的一对多型多类SVM的结构性缺陷:其二叉树是非平衡的,树的高度大,造成较严重的分类累积误差。将其改进为基于平衡二叉树的多类SVM,通过降低分类树的高度来降低分类的累积误差。针对“一对一”型多类SVM的漏洞—投票冲突,增加近邻分类法来解决。然后,对比分析了“一对一”型多类SVM和多类SVM这两种分类算法的性能。3.基于多核的表情识别算法的并行化探索:表情识别过程中,相关图像处理和模式识别算法的海量运算,造成识别速度低下,严重削弱表情识别技术的应用价值。借助并行处理思想和OpenMP编译接口,尝试将本文表情识别的相关串行算法并行化,以充分发挥多核的高速并行运算能力,提高表情识别技术的实用性。