人脸图像分析在身份鉴别、安防、动画驱动、电影制作等方面具有广泛的应用，人脸识别和表情分析作为人脸图像分析的两个重要研究内容，涉及到图像处理、计算机视觉、虚拟现实、人机交互等众多领域，具有重要的理论意义和实际应用价值。目前，大部分的人脸图像分析系统都是基于纹理信息，受采集图像的光照、背景和人脸本身非刚性特点的影响较大，导致特征提取不准确，而结合纹理和几何信息提取人脸特征是未来人脸图像分析的主要发展方向。主动外观模型（ActiveAppearance Models，简称AAM）是Cootes在20世纪末提出的一种用于提取图像特征的方法，采用形状和纹理信息融合的统计模型及非线性优化的拟合，能够快速准确地提取人脸的特征。本文采用AAM提取人脸特征点，然后根据提取的特征构造相应的特征向量分别用于人脸识别和表情分析。研究内容主要包括：1.建立主动外观模型并选择适当的匹配算法。从有代表性的训练集中捕获形状和纹理的变化，经过主成分分析（PCA）产生一个参数化的人脸外观模型，利用反转组合算法计算输入图像与该模型的最优匹配从而定位人脸特征。2．根据提取的特征构造特征向量，进行人脸识别。利用AAM模型获取的特征点位置，构造具有尺度、旋转和位移不变性的比例特征向量作为人脸识别的关键特征。通过关键特征将人脸识别库中的图像进行预分类，有效减少识别过程中对比的次数，然后构造相似度函数进行待测图像与识别库中图像的匹配。3.根据AAM特征构造相对位移向量，进行表情分析。根据不同表情图像获取的特征点的位移，构造相对位移向量作为表情识别的输入特征。通过两种方式实现表情识别：建立一个多分类的支持向量机将相对位移向量直接识别为六种表情；建立多个二分类的支持向量机检测人脸的表情活动单元（Active Unit，简称AU），然后通过待测区域包含的AU取值来判断表情。对上述算法和技术进行实验验证，实验结果表明，基于AAM进行人脸识别与表情分析可以有效避免光照、背景和姿态的影响，具有良好的可行性和鲁棒性。最后，对本文工作及AAM和人脸图像分析的发展进行了总结和展望。