在如今高度智能化的现代社会,越来越多的领域开始把生物体识别技术作为一种重要的手段来适应当前社会与生活的需要。人脸表情识别作为生物体识别技术的一种,让机器可以像人类一样对人类内在的较为复杂的情感进行感知分析,这极大促进了生物体识别技术朝强人工智能方向的发展。但是,人脸表情因其内在的复杂模式,使得许多现有针对生物体识别的方法在面对表情识别时无法有效区分各种表情。因此,本文围绕表情的张量表征和深度学习算法开展研究,目的在于提升人脸表情识别的准确度。本文的主要工作归纳如下:1.对基于张量表示的人脸表情识别进行介绍,并系统阐述了张量的相关理论以及表情识别过程所需要的降维算法和分类算法。2.研究了基于低秩表示和张量分解的表情识别算法。针对数据空间中样本受身份影响无法有效分类且易受噪声影响的问题,本文在引入低秩表示模型的基础上,建立基于张量的低秩重构算法,从而将离散的张量表情空间映射至更加具有鉴别力的重构子空间中。而在构建张量数据的过程中,数据总体维度随阶数不断增大,造成现有分类方法无法适配的问题,考虑使用降维算法处理张量数据。但传统降维方法容易破坏数据的内在结构,因而本文研究了基于张量分解的表情特征提取方法,利用非负特性有效实现了由基图像结构表征整体张量数据。3.研究了基于深度堆叠网络的人脸表情识别算法。该方法首先在深度神经网络的基础建立堆叠结果,通过岭回归学习网络中的隐藏特征。针对传统深度学习需要大量数据和冗长的训练的问题,在不需要反向传播的情况下利用前馈神经网络简单的实现了特征提取及分类。实验表明,经本文方法较为简易的实现了表情的分类且具有一定鲁棒性,提升了人脸表情图像的识别准确度。