随着计算机视觉和人工智能技术的发展,针对表情识别的研究已成为一大热点。面部表情的变化在人机交互和非语言交流中发挥着强大的作用,因此表情识别对交互式计算机系统的发展具有里程碑式的意义。面部表情蕴含丰富的行为信息,是人类传达信息的信号,如何让机器充分学习表情特征,提高识别率,是目前研究的难点。本文对面部表情识别方法展开研究,具体工作如下:(1)研究传统的表情识别方法。首先是面部检测,介绍基于肤色分割的面部检测方法和基于Adaboost算法的面部检测方法;然后研究LBP和HOG两种表情特征提取算法,并针对单一特征描述图像不充分的缺陷,提出一种特征融合的表情识别方法,有效提高识别率。实验结果表明,使用融合的特征进行表情识别的效果更佳。(2)研究卷积神经网络的表情识别方法。卷积神经网络是深度学习的重要模型之一,首先介绍卷积神经网络的工作机制,包括卷积操作、池化操作、激活函数、损失函数和网络训练;然后介绍常用的深度学习开源框架,并分析各自的特点;最后设计一个浅层的卷积神经网络,在CK+和JAFFE表情数据集上进行实验。(3)研究迁移学习的改进VGG-19表情识别方法。选取多任务卷积神经网络(Multi-task Convolutional Neural Network,MTCNN)进行面部检测,实验结果表明,该方法的检测效果优于基于Adaboost算法的检测方法。针对表情数据集规模较小造成识别率不高的问题,提出一种基于迁移学习的改进VGG-19表情识别方法。实验结果表明,本文提出的方法在CK+和JAFFE表情数据集上均取得了较高的识别率。