当前对于高清晰、高质量、可控状态、固定场景下的传统人脸表情识别与单因素的人脸表情识别研究,已经取得了比较满意的识别效果,但对于非约束状态下不可控人脸表情图像,效果不理想。原因在于非约束状态下人脸表情图像是多种因素共同作用的结果,这些因素给人脸表情识别带来了很大的挑战。本文提出一种鲁棒性高的非约束状态下多因素人脸表情识别算法,主要工作内容如下:(1)非约束状态下人脸表情图像往往包含多种影响因素,导致所谓的“维数灾难”问题和大量的特征冗余信息的产生。针对这一问题,提出一种低维映射约束的低秩稀疏表示的多因素人脸表情识别方法,通过使用两个完全不同的低秩投影矩阵与映射矩阵来约束低秩稀疏表示的重建图像,并将原始的高维数据空间映射到低维空间模型中去提取对非约束状态下多因素人脸表情图像的鲁棒且判决性能较强的表情特征,然后通过基于协同表示分类的方法实现非约束状态下多因素人脸表情识别,很好地避免了冗余信息的干扰与降低了计算复杂度,最后通过实验证明了该算法的有效性与鲁棒性。(2)非约束状态下采集的人脸表情图像的分辨率有时比较低,而对于极低分辨率人脸表情图像,很难用传统的特征提取算法提取出人脸表情图像的特征。原因在于人脸图像在分辨率极低的情况下特征信息已经大量丢失,多样的表情特征更加难以提取。针对这一问题,提出一种基于局部先验约束的极低分辨率人脸表情识别方法,通过一种基于局部位置先验约束的超分辨率重建算法与基于局部先验约束的协同表示算法保证重建与识别目标的一致性。在JAFFE和CK+两个数据集上的对比实验结果表明,该算法对于非约束状态下极低分辨率的人脸表情识别性能更优。(3)分析总结了目前传统的人脸表情识别算法与单因素人脸表情识别算法的研究现状与存在的问题以及稀疏表示、低秩矩阵分解、低秩表示理论、低秩稀疏表示重建模型的构建与一些代表性的求解算法,并将低秩稀疏表示重建模型应用在人脸表情识别中。具体通过低秩稀疏表示的方法同时提取人脸表情图像的进行全局与局部特征,然后通过稀疏表示分类的方法实现最终的人脸表情识别。在标准JAFFE人脸表情数据集上的对比实验表明了算法的有效性。