在人们的日常交际中，人脸扮演着一个重要的角色。同时，良好的人机交互、计算机适时的察觉、体会人类的情绪变化，已经成为新千年人工智能的研究热点。它的研究成果将有力推动人类社会向前发展，具有广阔的应用前景。
　　 人脸表情识别是一个多步骤任务，它包括人脸检测和预处理、表情特征抽取和表情识别分类三大块。本文通过参阅大量国内外的论著和论文，对比了现有典型算法以及总结了各模块的研究趋势，最终提出了基于肤色分割和改进的AdaBoost的人脸检测算法、基于独立分量分析的表情特征提取法以及基于最近邻法和支持向量机的表情识别。本文的研究工作如下:
　　 第一人脸检测和预处理。本文提出了基于肤色分割和改进的AdaBoost的人脸检测算法。首先在彩色图像中采用肤色信息和人脸先验知识快速排除背景干扰、粗略分割出人脸域;其次采用改进的AdaBoost算法对粗检测分割得到的粗人脸域进行细检测，进而标定出纯人脸。预处理包括彩色图像灰度化、几何校准和灰度归一。预处理的目的是让人脸初始条件一致，减少后续工作的误差。
　　 第二表情特征提取。针对表情信息存在于人脸图像的高阶信息中这一情况，本文选用独立分量分析(ICA)完成表情特征抽取工作。本研究分为理论分析和实验验证。理论分析首先给出ICA模型、ICA的假设条件和不确定性，接着给出ICA的目标函数和优化算法----FastICA，并给出基于FastICA的两组实验，充分验证FastICA进行信号分离的有效性。实验验证首先给出人脸的ICA模型，接着对人脸表情图像进行预处理，最后采用FastICA分解出表情基信号，根据投影追踪原理得到了表情特征数据。
　　 第三表情识别分类。本部分采用最近邻法(NN)和支持向量机(SVM)完成表情识别工作。首先对传统的最近邻法进行了改进，通过对FastICA提取的特征数据进行分类实验，验证了本文提取的特征数据的有效性。接着采用SVM进行表情识别分类，本部分着重介绍了SVM的思想、模型和分类器设计，最后给出了两组基于SVM的分类对比实验，结果表明SVM可以实现表情识别分类。