人脸表情含有丰富的人体行为信息,是情感最主要的载体。作为情感计算的一个重要研究方向,表情识别不仅构成了情感理解的基础,而且是计算机理解人们情感的前提。在以往的表情识别研究当中,只考虑基于几何特征、纹理变化、自定义模板以及一些图像识别技术,没有对人脸表情的特征进行全面、高效的描述,因此会疏漏一些表情细节信息,导致识别效果不理想,而且对光照条件改变、人物变化、人种变化等不具有鲁棒性。基于此,本文提出了一种全新的表情图像特征提取方法,结合多分类学习方法,达到更为理想的人脸表情识别效果。本文提出了 HOG特征算子与深度置信网络多层次表示相结合的人脸表情特征提取方法。首先,通过对图像单元的划分,结合不同的尺度算子和重叠方法,提取表情图像的HOG特征;其次,通过深度置信网络抽象出表情图像多层次特征表示,并加以稀疏化限制;然后结合以上两种不同的特征表示方法对人脸表情特征进行提取,并通过实验验证了该特征提取方法不仅可以体现表情的形状变化,而且描述表情的细节特征,具有出色的表情特征表达和泛化能力。另外,结合本文的特征提取方法,采用基于SVM的多分类方法训练模型,进行了人脸表情识别,通过研究具体表情类别之间的关系,针对每一类别的实验结果总结规律。最后通过在JAFFE和CK+人脸表情图像库中和其他分类方法的对比试验,证明了该方法在人脸表情识别中具有较好的识别效果。最后,基于上述的研究成果,利用Matlab仿真平台和Eclipse集成开发环境,集成表情图像预处理模块及以上提出的特征提取和表情识别方法,完成了面向情感分析的人脸表情识别原型系统的设计与实现,为用户展示了良好的运行结果。