近年来，面部表情识别越来越受到领域专家的重视，并取得了一些成绩。但由于人脸不是一个刚性体，面部表情受年龄、性别、种族、头发、饰物及光照等的影响较大，因此，目前尚没有成熟实用的解决方法。本文主要研究了人脸表情的特征提取和表情分类算法。鉴于单张人脸图像的信息量有限，本文针对表情图像序列进行处理，主要完成了以下三方面的工作：首先，系统研究了现有主要人脸表情特征提取方法，提出了动态与静态结合的表情特征提取算法，将主动外观模型（Active Appearance Model）特征点在表情生成中的轨迹作为动态特征，并用光流跟踪AAM特征点；将表情峰值图像的局部相位量化直方图作为静态特征。其次，摒弃了传统基于运动单元（Action Unit）的局部特征提取方式，自主提出了使用人脸器官为单元的局部划分方法。由于0-1分类器产生的二值输出常常会导致信息量的丢失，本文采用支撑向量机（Support Vector Machine）与Bradley-Terry相结合的模型来预测各个面部器官动作的概率值，能有效解决信息量丢失的问题。最后，深入研究了贝叶斯网络的推理和学习算法，构建了单个静态贝叶斯网络对高兴、惊讶、愤怒、厌恶、悲伤、恐惧六种基本表情进行识别。在cohn-kanade数据库上的大量实验表明，本文提出的算法能实时识别人脸表情，对六种基本表情的识别正确率达到90%。由于算法输出为各种表情的概率，可以为情感计算等应用提供更加丰富的信息。