微表情是人类试图掩饰自己的真实感情的时候不自觉流露出的极其短暂和无意识的面部表情。检测和识别微表情在医学和国家安全领域有着很多潜在的应用。由于微表情数据库很少，而且微表情很短暂，一闪而过，并且动作幅度很小，导致微表情非常难以识别。同时，现有人脸微表情的识别方法提取的微表情特征较为单一，缺乏从多个频率和方向提取准确的微表情信息，因而识别率较低。　　本文提出一种基于三维高阶局部自相关特征的微表情识别方法，主要在微表情预处理、特征提取以及识别上进行了相关的研究。在微表情图像预处理阶段，首先利用欧拉影像放大算法对数据库中的微表情进序列行放大处理，然后采用中值滤波器对放大后的微表情图像序列进行去噪处理，通过 AdaBoost算法实现人脸检测，最后利用双线性插值算法对人脸图像进行归一化处理。在微表情特征提取过程，本文提出一种基于三维正交平面的高阶局部自相关特征 HLACLF-TOP（Higher-order Local Auto-Correlation Like Feature from Three Orthogonal Panels）的算法，对XY平面、XT平面和YT平面用不同的HLAC掩膜提取HLACLF特征，并对不同平面上的特征赋予不同的权值，能够有效地从不同的分布和方向提取时空纹理特征。最后，采用极限学习机进行特征分类，对训练集提取HLACLF-TOP特征，得到每一种微表情的ELM训练模型，将所有微表情的ELM训练模型组合成ELM微表情分类器。对测试集提取HLACLF-TOP特征，利用训练好的ELM分类器进行预测，并对人脸微表情进行分类。　　本文分别在CAMSE数据库、CAMSEII数据库和影视剧《别对我说谎》的视频片段上进行了实验。其中在四分类的CASME数据库和五分类的CAMSEII数据库上的识别率分别为91.1%和82.36%，高于目前流行的微表情识别算法。由于场景的复杂性，本文方法在影视片段数据库上的识别率接近70%。