手语是聋人使用的语言,它是由手势、表情和头部姿态等构成的稳定的表达系统,相对于一般人多种多样的肢体语言来说,手语更加具有规律性。手语识别能帮助健听人更好的理解打手语者的心理状态；同时有助于促进和谐人机交互的发展。有研究手语识别的实验表明,当排除面部表情只对手势进行识别时,人们所能理解的内容估计不会超过60%[1]。心理学家Mehrabian提出,在人们的交流中,通过面部表情传递的信息量达到了55%[2]。由于面部表情包含丰富的表达信息,因此在研究手语识别时对面部表情信息进行识别具有重要的研究价值。本文主要对手语中面部表情信息识别领域中特征提取和特征降维进行了应用研究,以期提高面部表情信息识别的准确率。本文具体研究工作如下：1、本文首先研究了对图像序列进行特征提取的方法。由于表情具有多样性并且表情变化时可能只引起图像局部的纹理变化,所以提取出的表情特征应该能包含这些信息。Gabor特征是一种有效的外貌特征提取方法,由于相邻方向或相邻尺度的Gabor滤波器极为相似,因此本文采用了局部小波特征提取方法。鉴于局部二值模型(LBP)是一种非常有效的纹理描述算子,本文研究了局部Gabor和LBP结合的局部小波二值模型直方图序列(HSLGBP)的特征提取方法。2、针对纹理特征维数过高这一问题,本文研究了对高维特征进行降维的方法。主成分分析(PCA)的基本思想是提取原始数据的主要特征(主成分),减少数据冗余的同时保持原始数据的绝大部分信息,但是PCA没有考虑不同类别数据之间的区分性。线性判别分析(LDA)则是通过最大化数据的类间离散度和类内离散度的比值来选择最优的投影方向,投影后的数据更加具有区分性。本文研究了PCA和LDA结合的特征降维方法,最后用HMM进行面部表情信息识别。