表情识别是一项很富挑战性的工作；而且由于它在很多实际应用方面(人机交互、医疗行业、心理学等)都很有应用前景,所以这项工作也相当具有吸引力。以前大部分的研究都是针对于单幅图像的,本文在总结前人研究的基础上,提出了一种基于视频的表情识别方法(是对表情从：无—有—无,这个过程的识别。),该方法综合运用了ASM特征点的轨迹和时空兴趣点来提取表情特征,并选择SVM分类器对表情进行分类。本文通过提取视频中各帧图像的ASM标定点,从而得到ASM标定点的轨迹。为了有效地表示轨迹特征,本文使用马尔科夫转移矩阵对这种时空上下文信息进行编码,并抽取它的固定分布向量作为最终的上下文描述值。接着本文提取视频的时空兴趣点,并用兴趣点周围时空窗口上的立方体数据作为兴趣点的特征描述值。为了有效地描述视频信息,本文使用最近比较流行的“词袋模型”方法；本文所采用的具体做法是：使用K-means聚类算法为立方体特征描述值构造一个拥有250个词的词表,并将这些立方体特征描述值分配给最近的词(采用欧式距离作判断),这样一个表情视频最终就可以用该视频中所出现的时空兴趣点的类别直方图来表示。本文经过多次试验,最终选择先用多维非线性SVM以ASM标定点轨迹特征作为分类特征对表情进行初步分类,确定最有可能的三类表情；然后再用多维非线性SVM以时空兴趣点作为分类特征对表情进行最终的分类,在已确定的三类中识别出最终的表情类别。该方法在dollar提供的数据库上实验时,所得到的总识别率为91.7%,这一结果表明本文的算法还是比较好的。