随着计算机视觉与模式识别领域关键方法的不断提出与改进,人脸面部表情识别作为情感计算的重要组成部分,近年来成为国内外众多学者研究与探讨的热点。通过对表情识别的研究,希望智能机器与设备拥有像人那样具有对情感的计算、识别、表达的能力,可以有效地提高人类与机器之间交流的友好性与智能性。文中首先针对表情识别领域的研究背景、意义以及国内外现状做了较为详细的阐述。随之介绍了表情识别系统的整体框架,并针对相关经典算法结合文献介绍其优缺点。对静态表情图片在特征提取上做了详细分析与实验,主要研究工作与创新如下：(1)表情图像预处理：图像预处理的效果对后期的特征提取与识别有着很大的影响。通过对图像尺度大小、位置、灰度等方面的预处理可以去除对表情分类不利的因素。利用小波分解去除高频干扰,提高识别的可靠性。(2)表情特征提取：对经过预处理的表情图像做Gabor小波变换,针对同一尺度下不同方向上的Gabor特征图存在信息冗余特性,在LBP(局部二值模式)的启发下对其做BC(二进制编码)变换,在充分利用Gabor变换优点的情况下解决了特征维数庞大的缺点,最后利用局部梯度直方图提取图像特征。(3)表情识别：SVM(支持向量机)作为有监督学习模型的经典代表,通常用来进行模式识别、分类、以及回归分析。本文利用林智仁教授开发的LIBSVM训练分类器,在Cohn-Kanade人脸表情数据库上做了大量使用,人脸表情识别率可达到92.5%,验证了算法的可行性。