随着计算机技术的迅速发展,人脸表情识别逐渐成为模式识别和人工智能等领域的热点研究课题。表情是感情理解的基础,能够在一定程度上反映被识别对象的心理情绪。人脸表情识别使得计算机和机器人具有理解和表达情感的能力,从而达到更好的人机交互。它在心理学、智能机器人、安全驾驶等领域都有很多潜在的应用价值。目前已经存在各种各样的表情特征提取算法,但由于光照、姿态、年龄、遮挡、表情数据库样本数量有限等因素的影响,导致人脸表情的识别率难以提高。为了更好地提高人脸表情识别率,本文对人脸表情识别算法进行研究,提出了一种基于多特征和卷积神经网络的人脸表情识别方法。本文的主要工作如下:首先,对人脸表情图像进行一系列预处理操作。通过加权平均法将人脸表情图像从RGB空间转换到灰度空间,分别根据“三庭五眼”特征和双三次插值法对灰度图像进行裁剪与缩放,并通过直方图均衡来增强图像的局部对比度。其次,对目前主要的人脸表情特征提取算法进行了研究,并对局部二值模式(Local Binary Pattern,LBP)、Gabor小波变换以及CNN卷积层提取的特征进行可视化和三种算法分析。然后,介绍了本文所提出的基于多特征和卷积神经网络的人脸表情识别算法。分别提取一层DWT低频子带特征、LDP特征与Sobel特征三种特征图;借鉴LeNet-5与AlexNet两种经典的网络模型,设计了用于人脸表情识别的8层卷积神经网络模型FERNet(Facial Expression Recognition Networks),利用ReLU作为激活函数,加入Dropout层,防止网络训练时出现过拟合现象;将三种特征图作为FERNet的输入,对网络模型进行训练,并对卷积神经网络提取到的特征向量进行PCA降维处理,得到降维后的表情特征向量。最后,在分类识别阶段,采用支持向量机(Support Vector Machine,SVM)对人脸表情进行分类识别。分别在CK+数据库和RAF数据库上进行实验,本文的人脸表情识别率分别为95.32%和68.94%,结果表明本文提出的算法优于LBP、Gabor、GB-DBNs+SAE以及BDBN等算法。