随着机器学习和卷积神经网络的快速发展以及智能设备的普及,人脸情感识别技术也在经历着巨大变革。近年来,作为人类情感信息传递和人际关系交往的重要表现形式,人脸表情识别在医疗卫生,游戏娱乐,疲劳驾驶,消费心理和教学研究等诸多领域都得到了广泛的关注和认可。尽管人脸表情识别在很多领域表现出了巨大的研究意义和商业价值,但是在具体的实际应用中,仍然有很多问题亟需解决。如图像光照变化,面部遮挡,特征信息提取单一等。因此针对性地提出了两种基于特征融合的表情识别方法,首先从面部浅层信息入手,使用机器学习算法融合人脸面部几何特征和局部纹理特征,从而验证特征融合的有效性。然后在特征融合的基础上引入深度学习算法,进一步提升面部表情识别的泛化性和鲁棒性。具体研究内容如下:1、针对面部特征提取单一,传统局部二值模式（LBP）纹理特征提取存在对非一致性光照敏感和随机噪声不稳健等问题,提出一种融合完整局部二值模式（CLBP）与几何显著特征的人脸表情识别算法。该算法利用Dlib库提取面部68个特征点,通过选取显著区域特征点来构建面部几何特征向量,同时采用CLBP算法提取面部细粒度纹理特征,然后通过串联融合其特征直方图的形式来构建输入特征向量,最后利用随机森林分类器进行表情分类。实验结果表明特征融合算法能够显著提升面部特征信息提取的完整性,识别效果优于传统单一特征提取的面部表情识别算法。2、针对人脸表情数据集的数据量不足和深度卷积神经网络的模型复杂,参数冗余等问题,提出一种融合手工特征和深度学习特征的小样本表情识别算法。该算法模型将手工提取的人脸关键区域特征与Dense Net网络提取的深度学习特征相融合,再利用基于熵的特征约简技术对特征维度进行熵减和选择,以使用多分类支持向量机（MSVM）进行识别分类,通过在JAFFE和CK+公开数据集上的实验测试结果表明,该模型在小样本数据集上也能够具有较高的识别准确率和鲁棒性,显著提升了人脸表情的识别性能。