人工智能近年来越来越成为人们关注的焦点。其中,情感的识别是人工智能发展的重要领域,而人脸表情识别则是情感表达的主要组成部分。传统的机器学习基于两个最基本的假设,一个是训练集与测试集满足独立同分布,另一个是必须有足量的训练集样本。但是表情识别的实际应用中,由于采集样本的光照、角度等不同,很多情况下样本不能满足以上情况。为了解决表情识别的实际应用问题,扩展传统机器学习的局限性,本文首先提出了一种基于稀疏编码的迁移学习算法(Transfer Learning Based on Sparse Coding,TLbSC)应用于表情识别中。该算法利用稀疏编码学习得到图像中共同的基元,将学习到的知识迁移到测试样本和训练样本中,得到他们特征编码,本文使用SVM作为分类模型,对迁移知识之后的特征进行训练,得到用于跨领域表情识别的分类器。将TLbSC与其他的降维方法在表情数据集上进行对比试验,结果表明TLbSC在跨领域表情识别中有良好的降维效果。在TLbSC算法的基础上,本文提出了一种基于粒子群优化算法的多源迁移学习,该算法为了解决跨领域中用于训练的数据样本不足的问题。在单源迁移的基础上,增加辅助数据集作为源领域,以增加训练的数据样本。本文提出的算法在稀疏编码进行知识迁移之后,决策级上运用选择性集成算法进行多分类器的集成,并使用简化的粒子群算法进行优化。分别选用三个表情数据中的两个表情数据集作为该算法的训练样本,运用该算法对跨领域的表情数据进行表情识别。实验证明,本文提出的多源迁移学习在跨领域的多源问题上有很好的识别效果。本文提出的算法都是基于表情识别的实际应用环境,测试样本通常不带有标签。所以本文提出的基于单源和多源的迁移学习算法都属于直推式迁移算法。实验表明,两种算法在跨领域的表情识别中有更好的识别效果。