人脸表情识别有着广泛的应用前景，逐渐成为当前人机交互领域的研究热点之一。一般而言，一个完整的表情识别系统主要由四个基本部分组成：图像获取、预处理、表情特征提取和分类识别。本文重点集中在对表情特征提取和分类等关键问题的研究，研究工作可概括如下：　　 在表情特征提取方面：本文对基于整体的代数特征提取算法PCA和FastICA进行了深入的研究，结果表明采用FastICA算法进行特征提取所得到的表情独立基更好的描述了眼睛，嘴角等表情特征区域的变化，所得到的表情特征更有效。但对于表情识别这样的在线数据处理来说，FastICA算法存在计算量大的缺点，因此，本文设计了基于M-FastICA算法的表情特征提取方法。该算法简化了牛顿迭代过程中的雅可比矩阵的计算。仿真结果表明，该算法不仅继承了FastICA算法所提取的表情特征有效的优点，而且与FastICA算法相比可以进一步减少算法收敛的迭代次数和时间。　　 在表情识别方面：本文采用BP神经网络作为表情识别分类器。重点研究了隐层节点和输出层节点数与网络收敛速度及表情识别率的关系，由实验结果可知，BP神经网络分类器采用7-8-7的拓扑结构时，网络性能最优，平均识别率达到93.5％。与采用距离分类器的表情识别结果相比识别率有了明显的提高，但训练时间较长，不能满足表情在线识别实时性的要求。　　 为了克服BP神经网络分类器上述的缺点，本文用自适应遗传算法对BP神经网络的连接权值进行优化，结果表明，该优化方法可以大大缩短神经网络权值搜索到全局最优解的时间。并针对自适应遗传算法在进化初期容易产生早熟现象的不足，本文提出了改进的自适应遗传算法IAGA，该改进算法提高了群体中表现优良的个体的交叉率和变异率，避免早熟现象的发生，加快了最优解的搜索速度。用改进的自适应遗传算法优化BP神经网络的连接权值，设计了自适应遗传神经网络分类器。采用该分类器在JAFFE库上进行表情识别分类实验，取得了94.8％的平均识别率。实验结果表明本文设计的自适应遗传神经网络分类器的性能优于BP神经网络表情识别分类器。