微表情是一种微弱的、非自发产生的面部表情,是在特定环境下人们为了掩饰内在真实情绪而产生的短暂面部表达,既无法伪装也无法抑制。微表情的隐蔽性和真实性为其在观察和判断个体的真实状态时提供了有效的依据。随着计算机视觉和机器学习技术的不断发展,微表情在临床心理治疗、刑侦审讯、国家安全等很多领域都表现出了很大的优势。微表情具有持续时间短、动作幅度小且局部作用等特点,增加了样本采集和自动识别的难度。本文围绕已有的自发微表情数据集,研究了基于特征选择和领域自适应方法的微表情识别。本文的主要工作和创新点总结如下:（1）由于微表情发生时的局部区域特性,采用全局区域方法提取到的特征向量会包含大量的无关信息,降低微表情识别的准确率。本文提出了结合局部区域组合和特征选择方法的微表情识别新框架。首先,通过关键点定位和面部动作单元分布对面部区域进行局部区域划分。利用局部区域组合筛选出情绪表达时的关键区域,滤除无关区域的干扰。特征选择是降低特征向量维度、降低过拟合、选择出相关性高的特征子集的有效方法。然后,将局部区域组合后的面部特征向量经过Relief F特征选择方法,进一步移除无关分量的干扰,提高微表情分类识别的性能。本文在CASME II和SMIC数据集上分别采用不同的特征描述子进行大量实验,证实了所提出的改进微表情识别框架的可靠性。实验证明对局部区域组合后的特征向量经过特征选择方法后可以有效提高微表情识别的准确率。（2）目前已有的微表情识别方法主要针对于同一数据集进行训练和测试,即样本的特征分布相同。而实际情况下,训练和测试采用的是不同的数据集。数据集在采集设备、光照等外在因素的影响下,所得到的样本分布有很大的差异。本文采用了流形空间自适应分布对齐的无监督跨库微表情识别方法。利用领域自适应方法中的流形空间思想来测量不同特征分布之间的距离,避免特征畸变。利用动态概率分布对齐的方法评估目标样本间的特征分布差异,提高分类器在实际应用场景下的鲁棒性。实验结果表明,与其他领域自适应方法相比,所采用方法在处理不同数据集之间的微表情识别时有更好的识别效果。