随着人工智能技术的不断发展与完善,人脸表情识别逐渐成为人工智能和人机交互领域的一个重要研究方向,具有深远的理论意义和应用前景。实现计算机的人脸表情识别将更好地推动人工智能技术的发展与应用,甚至对心理学等学科的发展都起到极大的推动作用。同时由于人类情感和人脸表情的复杂性,单一模态的特征不能很好地提高人脸表情识别的准确率。通过阅读国内外大量的文献与资料,对人脸表情识别的若干问题进行了探讨与分析,并针对多种特征融合的表情识别进行了较深入的研究。首先阐述了人脸表情识别领域的研究背景与应用领域;然后概括了表情识别目前的研究现状;接着提出了特征层融合的方法与决策层融合的方法,并对提出的这两种方法进行实验验证。研究内容与创新点主要如下:（1）提出可鉴别的多特征联合稀疏表示人脸表情识别方法。针对目前多种特征联合的方式多为线性组合方式的问题,本文提出了一种融合图像纹理特征和全局位置信息的可鉴别的多特征联合稀疏表示人脸表情识别方法。该方法首先获取人脸图像的纹理特征和全局位置信息,构建训练字典,通过引入鉴别损失函数,优化稀疏表示的字典。然后在惩罚函数中引入基于类级联合稀疏正则项,对局部纹理特征和全局位置信息进行联合稀疏表示,并将稀疏表示获得的稀疏系数矩阵送入支持向量机进行训练和表情识别。实验结果表明,该方法在降低联合特征维度的同时,能够挖掘多种特征之间的关联性,并使得学习到的稀疏系数更具鉴别性,与新近的多特征融合人脸表情识别方法相比,在BU₃DFE人脸表情数据集的7种情感的平均识别率提高了2.5%-5%。（2）提出基于局部可鉴别性和代价敏感Adaboost的人脸表情集成识别方法。针对单一分类器识别结果具有不确定性的问题提出基于局部可鉴别性和代价敏感Adaboost的人脸表情集成识别方法。该方法可分为两阶段,第一阶段为弱分类器选择阶段,在每一轮迭代中计算每个训练样本的局部可鉴别因子,选取最大的局部可鉴别因子作为本轮的可鉴别因子,并且选择相应的弱分类器作为本轮最优的弱分类器;第二阶段为权重更新阶段,通过引入代价敏感的损失函数,在每一轮迭代过程中最小化误分类代价获取该轮弱分类器的权重,并更新训练样本分布权重;最后用弱分类器组合成的强分类器对样本进行表情识别。在BU₃DFE上的实验结果表明,该方法能有效地使传统Adaboost由求解训练错误率最小转变为求解误分类代价最小,并且能够降低错分样本被选中的概率,改善Adaboost算法性能,提高分类的准确率。（3）设计并实现基于多特征融合的人脸表情识别的原型系统,采用面向对象的思想,并使用MATLAB和VC#进行混合编程,实现了人脸区域检测、关键点标注、人脸图像预处理、特征提取、字典学习、特征融合、稀疏表示、Adaboost算法等模块,完成多特征融合的人脸表情识别方法的原型系统,通过实验进一步说明所提方法的可用性。