近年来,微表情由于不由人为控制,但是其作为人类心理活动最真实的反应,越来越受到人们的关注。虽然微表情的持续时间非常短,表情幅度小,很难被人所察觉,但是其中却包含着丰富的情感信息。近年来微表情也越来越被人们所熟知,人们对微表情中包含的奥秘也越来越感兴趣,越来越多的领域的科研人员进行了跨专业的配合,因此促进了微表情研究的快速发展,并且研究工作也逐步深入。在微表情识别过程中,提取的特征的质量对识别的准确率起着决定性的作用,其中常用的特征提取的方法有3D直方图、光流法、LBP-TOP等,其中LBP-TOP算法在基于视频的微表情识别中效果较好,但是由于LBP算法是通过比较中心像素与邻域像素的大小,对于光照不敏感,受到噪声影响较大,因此,本文在上述基础上主要做了以下工作:(1)介绍了两种人脸检测的方法。由于微表情的动作幅度小,而视频中每一个人的人脸位置和姿态都各不相同,因此选用人脸几何归一化的方法,通过人工选择人的双眼眼球的位置来确定人脸的位置以及大小,对人脸图像进行裁剪。(2)提出了基于光流法和时空局部二值模式的微表情识别方法。通过对人脸微表情视频序列图像进行光流运算,对其进行水平积分投影和垂直积分投影,通过LBP进行编码得到两个特征直方图,进行级联得到外观模型特征。将所有图像的的水平或垂直方向的积分投影作为新的纹理图像,通过LBP进行编码得到水平或垂直的运动特征直方图,级联得到的这几个特征直方图,利用得到的微表情的特征,训练以及分类通过支持向量机来进行。(3)提出了基于深度学习的微表情识别方法。将LBP与CNN进行结合,将卷积神经网络的第一层卷积层修改为对卷积滤波器进行LBP编码,通过激活函数运算和加权融合作为LBCNN的下一层输入。利用神经网络进行训练和分类。