近年来，表情识别技术作为一种新型的人机交互方式，受到了越来越多研究者的关注。本文对国内外现有的人脸表情识别技术和方法进行了分析，在比较现有的表情识别方法的基础的上，在针对视频图像序列的表情识别原型系统中，提出了人脸关键特征点定位算法、表情特征提取算法以及表情分类识别算法，并通过实验数据分析显示了该方法的性能。本文的主要工作如下：(1)提出了一种线性人脸对象类模型和主动形状模型相结合的人脸关键特征点定位方法。该方法首先利用线性人脸对象类思想由人脸训练样本重构人脸图像，通过最小化重构图像与原图像之间的误差得到一组最优的重构系数，并将这组重构系数用于人脸形状的重构。然后将重构得到的人脸形状向量作为主动形状模型的初始模型位置，由此得到模型的初始参数信息，再由该模型的初始位置开始，通过学习不断调整模型参数来减少模型与目标轮廓之间的距离误差，直到模型收敛至精确的特征点位置。该方法改变了传统ASM的初始模型选取的策略，使模型更加准确、快速地收敛至目标轮廓位置。(2)提出了基于光流模型与分段时序模板的混合特征提取方法。对检测得到的关键特征点首先采用光流模型提取特征点处的运动特征向量，然后对这些关键特征点采用分段时序模板的思想提取时序特征，最后通过典型相关分析的融合策略对两类特征进行融合，得到一组典型特征。该方法提取了同一组图像序列的两组不同特征并进行融合，既集合了两类特征的优点又通过融合消除了两组特征之间的信息冗余。(3)实现了基于离散隐马尔可夫模型的混合特征分类算法。由于单一的特征在表征表情时都有其局限性，在上一章多特征提取与融合的基础上，得到一组典型相关特征，将该融合后的典型相关特征作为HMM分类器的输入，得到该表情序列所属类别。(4)采用面向对象技术设计并实现了人脸表情识别系统。该系统由人脸图像预处理，人脸特征定位，表情特征提取及融合，表情分类识别四个模块组成，验证了本文方法的有效性。