远程教育可以满足人们随时随地进行学习的需求，人们可以通过远程学习不断提升自己的能力，从而更好地适应社会发展的需要。可是由于远程教育时空分离的特性，导致教师不能及时掌握学生学习时的情绪状态，也无法根据学生的情绪状态调整教学策略。本研究通过表情识别技术，来识别学生在远程教学活动中的表情，进而了解学生当下的情绪状态和学习状态。通过分析情绪产生的心理机制，来分析不良情绪对学习产生的不良影响。通过三维学习情感模型，对不同的学习情绪状态进行分析，找出不同学习情绪状态下表情的特点。在本研究中将其中三种不良学习情绪作为研究对象。首先，通过摄像头捕捉学生在学习过程中的面部图像。应用人脸检测算法，检测出图像中人脸的位置，然后提取面部表情特征，进行分类识别。为此本研究做了以下工作：（1）在人脸检测阶段，通过摄像头采集学生进行远程学习时的图像，对采集到的图像进行预处理，去除光照的影响。采用三种人脸检测算法，分别进行人脸检测对比实验。最终选定Voila-Jones人脸检测框架，为本研究的人脸检测算法。最后对检测到的人脸进行表情区域定位和尺度归一化。（2）特征提取阶段，针对检测到的表情区域，提取表情特征。本研究中采用了三种方法提取表情特征：第一种方法是，采用5个尺度8个方向的Gabor滤波器提取表情特征。初次提取到的特征维度过大，会产生内存溢出的现象。因此需要采用特征融合的方法进行降维。第二种方法是，采用半径为2，采样点个数为8的统一模式的LBP算子提取表情特征。第三种方法是，采用4个单元块，9个梯度方向块的HOG算子提取表情特征。（3）在表情分类阶段，应用广义多核算法学习算法，对表情进行分类。通过Cohn-Kanade人脸表情数据库中，验证本研究算法的可行性。通过对卡方距离和欧式距离的对比实验，得出卡方距离更适用于本研究之中。采用多特征和单一特征进行分类对比实验，实验结果显示当特征的数量增多时，分类识别率也会随之提高。最后，应用本研究开始时采集到的学习表情，做分类对比实验。通过对实验结果的分析得出，本研究采用的人脸表情识别方法，具有一定的实用价值。