人脸表情识别是模式识别、情感计算、心理学、机器视觉等研究领域的一个极富挑战性的交叉学科课题，是近年来的一个研究热点，目标是设计出具有情感反馈的人机交互环境，并最终实现人与计算机的情感交互。　　 在情感识别中，表情分类的准确性很大程度上依赖于所提取特征的有效性，因而表情特征的提取和有效选择是实现表情分类的一个关键步骤。分类识别方法的好坏直接决定了表情识别的效率高低，同样是表情识别系统的关键所在。　　 在总结前人研究工作的基础上，针对人脸表情识别技术的特殊性和困难所在，本文分别对人脸表情识别中的面部特征提取、特征融合和识别方法进行了研究。主要的研究内容包括以下几个方面：　　 (1)针对Gabor小波特征，提出了一种表情识别新方法。该方法首先对静态灰度表情图片进行预处理，然后对其进行Gabor小波变换，通过2DPCA进行降维，根据Gabor不同尺度不同方向的变换结果训练不同的分类器，由校验集得到分类器权值，通过隶属度函数将各个分类结果模糊化，实现了分类器集成和表情特征数据的融合。实验结果验证了Gabor小波与2DPCA结合在表情识别中的有效性，以及基于Gabor小波模糊分类器集成的方法能够进一步提高识别率。　　 (2)基于信息融合理论和线性鉴别分析，提出了一种改进的最大散度差鉴别分析方法，并把该方法应用于人脸表情识别中的并行特征融合。该方法首先将不同表征下的人脸表情特征利用复向量组合起来，构成复特征向量，然后利用具有不同权重的最大散度差鉴别分析进行进一步的复特征提取。实验结果表明，该方法在避免了人脸表情识别中常见的“小样本”问题和线性鉴别分析中常见的“非最优”投影问题的同时，得到了满意的识别结果。　　 (3)本文设计完成了人脸表情识别实验系统。该系统能完成对静态图片的Gabor小波表情特征提取、特征降维、表情分类，并最后给出情感响应。经验证，人脸表情识别实验系统能较准确地识别人脸表情。