面部运动障碍疾病在临床上表现为不受自主意志控制的面部区域肌肉痉挛,其发病机制尚不明确,多在中老年群体中出现,该疾病的诊断通常以医生的经验性判断为主。由于患者面部视频数据具有很高的维度,使用计算机对其进行分析识别是一个值得探索的问题。本文使用几何分析方法,采用人脸对齐技术将患者面部视频特征稀疏化为面部关键点的坐标序列,之后通过计算与优化处理,提取能够反映面部异常运动模式的特征,并基于此很好地实现了面部运动障碍疾病表现的分型与严重程度评估。本文提出的几何分析方法与面部运动障碍疾病识别这一场景的结合,是本文的创新性所在。本文的主要工作如下:首先,考虑集成回归树（ERT）与卷积专家约束局部模型（CE-CLM）两种人脸对齐算法,用眼部相对开合值度量两者在本文数据集上的面部关键点定位误差。实验结果在说明定位算法有效性的同时,发现在眼部开合值较小的情况下,两种算法在眼部区域的定位误差不可忽视,需进行修正。针对关键点的定位误差,根据基于经验模态分解（EMD）的噪声统计特性去噪方法对眼部开合值波形进行修正,并提出了一种基于闭眼检测的波形修正方法。之后训练适用于本文数据集的眨眼检测器,从而基于眼部开合度波形、眨眼检测器与面部关键点序列,提取反映面部异常运动模式的几何特征。结合特征对比实验结果,说明了其合理性。然后,对于几何方法提取的运动特征与时序信息序列,使用机器学习模型实现三种疾病表现的分型识别。传统机器学习模型包括支持向量机（SVM）、随机森林、Ada Boost等,而深度学习模型参考了长短期记忆模型（LSTM）,同时提出了一个适用于本文数据的CNN+LSTM混合模型,可靠的实验结果说明了分类模型与几何分析方法的有效性。CNN+LSTM混合模型由于可发掘样本在时序上的局部特征与全局特征,故该模型能够胜任复杂测试集的分型任务。最后,对于几何方法提取的特征,使用Spearman秩相关系数来分析其与各疾病量表得分项之间的相关程度,从而进行特征选择,通过回归模型实现对疾病严重程度的评估。实验结果表明预测的得分在真实分数周围的波动较小,说明了几何方法提取的面部运动特征能够有效反映面部的异常运动模式,可作为疾病严重程度的分析依据。