人脸表情识别是情感计算研究的重要组成部分，其涉及多个领域，且在安全驾驶、网络教学、人机交互等方面都有重要的应用。通过对人脸表情的准确识别，可以促进人机交互智能系统的发展，从而使计算机进行更有效地监督辅助工作。本文首先针对研究背景及研究意义进行了详细的阐述，并介绍了表情识别研究的国内外现状。其次，叙述了人脸表情识别的一般框架，分析了人脸表情识别的经典方法及相关改进，并总结出对应的优缺点。本文着重研究了人脸表情特征提取和表情分类等关键问题，研究内容与创新性工作主要如下：（1）为了能够获得好的表情识别效果，首先需要对图像进行预处理。本文利用图像处理方法快速准确地定位出人脸的瞳孔位置和嘴巴水平中心线位置，并根据这些位置信息和人脸的结构特征，准确分割出更为有效的表情子区域，同时对这些子区域进行归一化处理。（2）重点研究了基于Gabor小波变换的特征提取方法。首先，对Gabor滤波窗口进行改进优化，不仅加强了Gabor滤波器提取有效特征的能力，而且加快滤波卷积的时间。然后，为了解决提取特征后维数急剧增加的问题，对同一尺度不同方向的Gabor特征幅值进行编码，在降低特征维数的同时，保留了有效的决策信息。最后，为了进一步提高表情的正确识别率，采用一种局部区域融合的方法，在JAFFE表情库进行实验验证，针对特定人脸的表情识别率达到96%。（3）在上述的基础上，为了加强方法的普遍性，针对非特定人脸的表情识别问题，采用分类树方法，有效地利用表情之间的特性进行分类。首先，根据表情之间的差异性，将7种表情从粗到细进行分类。然后，在分类树的每一层节点处，都设置不同区域的特征向量，并采用LDA算法提取出分类特征。最后，在JAFFE表情库上进行测试，得到82.38%的识别率，验证了所提方法的有效性。