人脸面部表情是表达情感信息的重要交互工具,在需求高的智能化人机交互中具有潜在应用价值。作为人机交互技术的重要组成部分,表情识别技术涉及计算机视觉、情感计算、图像处理、智能控制和模式识别等多个研究领域,成为近年来国内外的研究热点。当前自动化的表情识别系统主要解决人脸检测、表情特征提取和分类识别三个关键问题。经过近40年的发展,很多用于表情识别的特征提取算法和分类器逐渐被提出,并取得了很大进步。但是,这离实际应用需求还有相当的距离,促使我们对表情识别问题作进一步研究和探索。针对目前已有的表情识别算法识别率和学习效率不高、尤其是对于幅度较小的表情种类识别率低下的问题,本文提出一种基于动态模糊神经网络的人脸表情识别算法。该算法主要包括表情图像预处理、特征提取和降维、分类识别三部分。首先,对输入的原始表情图像进行几何预处理和灰度预处理,减少噪声,为后面的表情特征提取做好准备。其次,在表情特征提取方面,本文提出一种Gabor小波变换和“二维主成分分析(two-Dimensional Principal Component Analysis,2DPCA)+模糊线性判别分析(Fuzzy Linear Discriminant Analysis, Fuzzy LDA)’’相结合的新的特征提取组合策略。该算法先对预处理后的表情图像进行Gabor小波变换,提取Gabor特征；然后对高维Gabor特征进行采样因子为4的下采样,以达到初步降维的目的,再采用2DPCA算法对采样后的特征向量进行二次降维,得到维数较低的表情特征；最后,将传统的LDA方法引入模糊集理论,利用模糊LDA算法提取最具鉴别意义的表情特征,该特征具有低维且最有利于分类的优点。然后,在表情的分类识别方面,本文构造一个动态模糊神经网络(Dynamic Fuzzy Neural Network, DFNN)分类器,用来对表情图像进行分类识别。识别过程中,先将上述特征提取方法所提取的训练样本集表情特征和相应的表情类别分别作为DFNN分类器的输入输出样本,对DFNN进行设计和训练,再利用训练好的DFNN分类器对测试样本进行分类。最后,本文利用MATLAB R2011a仿真平台,在日本女性表情数据库(JAFFE)上对本文提出的表情识别算法进行验证,并分别与其他表情特征提取算法(Gabor小波+PCA, Gabor小波+PCA+LDA, Gabor小波+2DPCA)和分类器(BP, RBF, LVQ, SVM, HMM)展开对比实验。实验结果表明,本文算法在识别效率和性能方面均优于其他算法,尤其对于幅度较小的表情类别识别率较高,且识别所需时间能保持在合理范围内,获得了较理想的识别效果。