近些年随着科技的发展,模式识别和机器视觉领域得到越来越多的重视,面部表情识别正是其中一个重要的研究方向,特别在汽车安全驾驶监控、远程互动教学、游戏娱乐等领域有广阔的应用前景。但是目前面部表情识别存在识别速度慢、准确率低的缺点,不能满足识别快、准确率高的应用要求,因此提高识别率、缩短处理时间对面部表情识别有重要意义。本论文对面部表情识别过程进行了分析,选择基于局部二值模式(Local Binary Patterns,LBP)的改进形式进行表情图像特征提取,对表情分类则应用改进的极限学习机(Extreme Learning Machine,ELM),主要工作如下:首先,设计一种表情采集装置,该装置的优点是:可以灵活移动,减弱光照噪声对图像识别的影响;同时可以与计算机等外部设备进行实时联系,充分利用网络资源,具有一定的应用前景和商业价值。其次,将获取的表情图像,由时域转化为对数-拉普拉斯域中,在其中进行图像预处理,对图像光照明暗不均、阴影等缺陷进行修正,进一步优化面部图像;为了提高图像特征提取时的速度,采用双局部二值模式(Double Local Binary Patterns,DLBP),将图像划分为几部分,同时进行处理,处理速度从而可以达到倍数级的提升,这样可以满足实际应用的需要;进一步地为增强提取的特征有效性,将泰勒展开式(Taylor Expansion,TE)应用到图像处理中,DLBP算法通过泰勒展开式得到优化,融合为DLBP-TE算法,以此为基础提取更加有效的特征信息,利用文中实验,检验所应用方法的效果。再次,将生物启发算法-蝙蝠算法(Bat Algorithm,BA)应用于ELM特征分类,构建BA-ELM算法,利用蝙蝠算法优化ELM神经网络中隐含层节点预先分配、隐含层参数随机选择、非优化节点存在等缺陷,提高图像特征的分类效准确率。最后,利用图像数据对DLBP-TE特征提取算法和BA-ELM分类算法进行实验。实验表明,改进的DLBP-TE方法提高了处理速度、改善了特征质量;改进的BA-ELM分类算法提高了特征分类性能,整体说明改进后的算法有较强的鲁棒性。