人脸表情识别技术是计算机视觉和模式识别领域的一个研究热点,也是一个难点。它具有重要的理论研究价值和商业意义,近年来吸引大量的学者和研究机构投入到其研究中。本文对人脸表情识别中特征提取方法进行了分析与研究,对传统的纹理特征方法进行了改进,并根据不同特征的特性,提出有效的特征融合方法。本文的主要工作如下：(1)针对局部梯度编码算子(Local Gradient Coding, LGC)只能在固定大小邻域内提取图像纹理特征的不足,提出了一种非对称邻域LGC算子(Asymmetric Region Local Gradient Coding, AR-LGC)多尺度融合的表情特征提取方法。首先,对归一化的表情图像进行Gauss滤波处理；然后,对图像进行分块,对每个子块图像中每一像素点,采用不同邻域大小的AR-LGC算子得到两个二进制序列,将两个序列进行按位逻辑异或运算,得到一个新的序列,对此序列进行编码,计算每个子块的直方图分布,级联各子块直方图构成人脸表情的特征；最后采用支持向量机(Support Vector Machine, SVM)分类器进行表情分类识别。该表情特征提取方法通过融合不同梯度不同尺度子邻域间的强度关系,可以很好地表达图像的局部特征和全局特征。该算法在JAFFE库和CK库上进行实验,并与典型的纹理特征提取算法进行对比,实验结果表明了该算法的有效性。(2)为克服单一特征在分类性能上的片面性和局限性,提出了一种多特征融合的人脸表情识别方法。首先,通过计算待选择特征与当前特征子集的差异度,以及待选择特征自身的重要度,从候选特征子集中选择出互补性最大的特征,动态获取优化的特征子集；其次,利用粒子群优化算法选择最优特征子集中的每个特征权值,构建加权融合特征集；最后,利用SVM分类器进行表情分类识别。在JAFFE库和CK库上的实验结果表明本文提出的方法能够有效地提高识别率与可靠性。