在我们日常生活中,人脸表情一直与我们形影不离。不管是与他人交流中还是一个人独处,凭借表情我们就可以知道被观察对象的心情。相较于语言和文字,表情涵盖了更多的真实信息。作为了解他人心理情况的客观指标之一,表情不仅可以用于人机交互应用,改善人类生活环境;也被用来做医学诊断,了解人类病情。在未来越来越智慧的城市建设中,人工智能的发展步伐日渐加快,人脸表情识别作为人工智能的应用,它的研究也将对社会的发展带来重要的意义。本硕士毕业论文主要围绕机器学习类方法在表情识别上的运用,完成了以下工作:(1)研究了堆叠的稀疏自编码器网络结构对特征提取和分类的影响。首先通过特征可视化实验分析和研究网络隐层神经元数量对特征提取的影响,接着用分类识别实验做进一步的验证;随后分别研究了网络层数和迭代次数对识别的影响。ORL人脸数据库的系列实验表明:隐层单元数量较少时,网络在特征提取时会产生互扰,识别率有所降低;随着网络层数和迭代次数增加,网络的训练时间会增加,但识别率则随着前者的增加而下降,随着后者的增加而增加。(2)将堆叠的稀疏自编码网络应用于表情识别。利用稀疏自编码网络能自动提取样本特征的特性,降低人工对特征提取的考虑。并根据神经元数量对特征提取和分类的影响研究,为每一种表情单独构建一个三层的稀疏自编码网络。最后针对各个网络提取的可能的特征类型,假设了网络提取的特征分为全局和局部两种,并分别设计分类器。JAFFE和CK+表情数据库的比较实验结果表明,稀疏自编码网络能自动提取相关的表情特征,这些被提取的特征相对于人工构造的特征有一定的优势,且提取的特征可能偏向于局部特征。而表情特征可视化的实验,进一步证明了网络提取的特征偏向于局部特征。另外,在表情识别率方面多个网络较单个网络好一点。(3)研究了极限学习机在表情识别上的运用。将极限学习机方法应用到表情识别中,并提出新的剪枝方法来确定隐层神经元的数目。网络结构确定后,通过多次重新训练的方法来确定网络参数,并构建多个上述的网络利用投票机制决定最后的识别结果。对JAFFE表情数据库的特定和非特定表情实验结果表明了新的剪枝方法能使隐层神经元数量在剪枝过程中保持相对稳定,且网络训练所消耗的时间相对于神经网络和深度学习方法大幅度缩减,但识别率稳定性较差。