随着信息时代的到来,面部表情识别技术已经在远程教育、临床医学、智能交通等诸多领域取得了广泛应用。但由于实际应用中光照明暗的变化、噪声的存在以及面部表情的复杂多样性,面部表情识别还是面临着众多挑战,许多问题亟待解决。本文基于不同的特征提取算法研究面部表情识别,主要研究内容如下:(1)分析了LDP算法及其改进算法,针对LBP算子对随机噪声以及非单调光照敏感的缺陷,提出了一种基于DCS-LDP的特征提取算法。该算法充分利用边缘梯度信息,从水平、垂直、对角线三个梯度方向上比较响应值的大小,提取了梯度空间上人脸特征的多阶信息,分别对JAFFE库和CK+表情库基于噪声、光照进行了对照实验,实验结果证明了DCS-LDP特征提取算法对光照以及噪声的鲁棒性,在不同的表情库中,都能较好地描述不同表情之间的纹理变化特征。(2)在面部表情识别的实际应用中,得到的表情图片大小往往是不一致的,而HOG算子不具有尺度不变形,不利于我们很好的描述人脸特征。在不同尺度的图像上,结合一种改进的HOG算法,提出了一种多尺度HOG算法。在CK+表情库上,我们进行金字塔层数以及cell尺度的实验,并选取算法的最优参数,然后与SIFT特征以及文献[43]所提算法进行对比,实验结果表明该多尺度HOG算法具有较高的识别率。(3)由于单一特征不能从各个角度描述人脸的信息,且用于表情识别的能力有限,本文提出了一种基于多特征融合的特征提取算法,将LGC特征和一种改进的HOG特征进行融合,兼具了纹理信息和形状信息。通过JAFFE库和CK+表情库的对照试验,表明该算法比单一的特征提取算法有很好的识别效果。