人脸表情自动识别是情感计算和计算机视觉领域的一个研究热点。最近几年,人工智能技术飞速发展,表情识别作为智能化人机交互中必不可少的一部分,在多媒体娱乐、人机交互、机器智能等领域有着广泛的应用前景,引起了研究学者的广泛关注,并提出了许多有效的方法。但是,目前存在的大多数人脸表情识别都是需要满足训练和测试所用的数据集是同一个数据集,即训练集和测试集中的表情图像是在相同的条件下采集的,因此其服从独立同分布。然而在许多实际应用中,这种假设并不成立,因为测试数据集通常都是在线收集的且比训练数据要更加难以控制。例如通过不同的设备,从不同的角度,照明条件以及背景下采集的数据样本通常具有不同的特征分布,因此传统的表情识别方法不再适用,这将导致这些算法在跨域表情识别问题上无法取得较好的识别效果。因为,此时在训练数据上的最优误差估计已经不再是测试数据误差的最优估计了。本文主要研究训练集和测试集来自两个不同数据库,且测试集中无标签数据的表情识别问题,我们将这个问题定义为无监督跨域人脸表情识别,用于训练和测试的数据库分别称为源域和目标域。因此,为了解决表情识别在实际应用中训练数据和测试数据服从不同分布的问题。本文首先提出将基于分布对齐(Da L)的迁移学习算法应用于跨域表情识别中。该方法通过学到一个特征变换将源域和目标域数据映射到一个公共子空间中,在该子空间中引入无参的最大均值差异MMD来度量不同域之间的分布差异,联合对齐源域和目标域的边缘分布和条件分布来减小域之间的分布差异。其次,提出将基于子空间对齐(SA)的迁移学习算法应用跨域表情识别中,该算法通过将源域和目标域分别映射到各自的子空间中,然后通过学到一个线性变换矩阵,将源域和目标域子空间直接对齐来减少域之间的分布差异,并将这两种算法分别与目前几种性能良好的跨域人脸表情识别算法进行对比,实验结果表明这两种算法在跨域人脸表情识别的有效性。然后,针对分布对齐和子空间对齐算法各自的局限性,提出了联合子空间和分布对齐算法(JSDA),并将该算法与Da L和SA在不同实验设置下进行了对比实验,实验结果表明JSDA在不同表情数据库上的识别效果要优于Da L和SA。最后,对本文所做的研究内容进行了总结,并对未来进一步的研究工作进行了展望。