面部表情是传递情感的重要途径之一。但是,面部表情却有着高伪装性。与人们故意表现出的有意识的表情相比,人们最为真实的感受和动机更能够通过微表情体现出来。微表情是一个动态的过程,因此在时间和空间维度上都包含大量与微表情相关的信息。然而,至今为止几乎所有的研究都还是停留在对微表情空间特征的分析却忽视了微表情在时间维度上的信息。本文针对基于视频序列对微表情进行自动识别的目标,对微表情动态特征提取、特征降维以及分类器的设计等进行了研究。针对微表情持续时间短、强度低,易被肉眼所疏忽的特点,本文提出了一套基于视频的微表情自动识别的算法。由于每种微表情持续的时间长短不同,本文提出了一套基于定帧帧插法和帧间运动补偿法进行微表情视频序列的预处理技术方案,解决了视频序列时间归一化的问题,方便之后的对视频序列进行特征描述。本文成功应用三维梯度直方图描述子提取微表情视频序列的动态特征,该特征可以加深我们对微表情动态模式的理解。该特征提取方法可以从图像序列中提取到丰富的时间空间的动态微表情信息,然而,该动态特征却高达几千维。面对“维数灾难”,本文结合主成分分析法和多特征排序算法提出了一种新的降维方法主成分分析多特征排序加权K近邻分类器分类算法,该方法在降低特征维数的同时可以进一步提高微表情识别的准确率。为了进一步提高微表情识别的准确率,本文结合人脸中每个区域所携带的表情信息对于正确地进行表情识别的贡献程度不同提出了分块建模自适应权重计算方法和分块模糊分类法,该方法可以有效地降低样本的误识率,增加测试样本的鲁棒性。实验结果表明,三维梯度直方图描述子识别准确率比公认的三面正交的局部量化模式高出22.05%;本文提出的结合主成分分析和多特征排序加权K近邻分类算法在降低特征维数的同时,在一定程度上有效地提高微表情识别的准确率;分块建模自适应权重计算方法和分块模糊分类法在三维梯度直方图特征描述子的基础上提高了9%的微表情识别准确率。