在情感计算中,通过面部表情进行情感识别被视为反映人类内心情绪状态的最直接和有效的方法。然而,由于人脸表情变化是一个细微-峰值-细微的动态过程,而且单一表情特征具有局限性,因此基于多特征融合的动态人脸表情识别（Facial Expression Recognition,FER）算法受到研究者们的青睐。动态人脸表情识别的一个关键问题是如何从图像序列中设计有效的特征提取算法并将其进行特征融合,从而提取具有代表性的时间和空间信息,进而提高表情识别准确率。本文从多种类型的特征提取和特征融合方面开展基于动态人脸表情识别的研究工作,具体包括:（1）提出了一种新的时空纹理特征提取算法:改进的三个正交平面的局部二值模式（Improved Local Binary Pattern from Three Orthogonal Planes,I-LBP-TOP）算法。该算法对原始LBP-TOP算法中三个正交平面上的LBP统计直方图分量的贡献度进行分析,用新的分量替换贡献度较低的分量,弥补了原始LBP-TOP算法在特征提取方面的不足,并且可以同时获得图像序列的静态纹理和动态时间信息。实验结果表明,相较于原始LBP-TOP算法,I-LBP-TOP算法在CK+和Oulu-CASIA数据集上的表情识别准确率分别提升了 3.56%和5%,而且在计算速度以及不同分类器上的识别准确率方面,I-LBP-TOP算法的性能也均优于原始LBP-TOP算法。此外,与其他两种LBP-TOP改进算法（时空LBP+Gabor算法和LGBP-TOP算法）相比,I-LBP-TOP算法的表情识别准确率均有提升。（2）提出了一种新的人脸几何特征的表达方式,将表情峰值帧中与人脸表情相关度较高部位的关键点坐标作为图像几何特征,从而获取面部表情变化的相对位置信息。同时,将该特征扩展到时间维度作为时空几何特征,进而得到表情变化的时序信息。在CK+和Oulu-CASIA数据集上的实验结果表明,本文提出的几何特征提取算法可以满足识别准确率高的要求,而且时空几何特征提取算法的识别准确率优于现有几何特征提取算法,在CK+和Oulu-CASIA数据集上的平均识别准确率分别提高了1.98%～4.22%和0.41%～4.21%。（3）设计了 一种将时空运动特征（包括I-LBP-TOP直方图特征和时空几何特征）与静态纹理特征（Gabor幅值特征）相结合的表情识别模型。该表情识别模型分别对三个单一特征采用多核支持向量机（Support Vector Machine,SVM）训练得到基分类器,同时为突破单一特征的局限性并且有效实现多特征融合,在决策层采用集成学习的多数投票法（Majority Voting,MV）以实现最终分类。在CK+和Oulu-CASIA数据集上的实验结果表明,基于决策层的特征融合算法可以实现比单一特征更好的效果,而且与现有的人工特征融合算法以及某些深度神经网络算法相比,该算法的表情识别准确率也有相应提升,在CK+和Oulu-CASIA数据集上的平均识别准确率分别提高了0.75%～8.41%和1.05%～5.83%。