面部表情识别所要研究的是如何自动、可靠、高效地识别出人脸表情所传达的信息，并利用这些信息推测人的心理活动，为后续工作提供依据，其目的在于建立友好、人性化的人机交互界面，使计算机具备感知和理解人的情绪的能力。但到目前为止，要建立一个鲁棒的自动人脸表情识别系统还存在许多困难尚未解决。本文在总结前人研究成果的基础上，从模式识别和机器学习的角度出发，利用统计学的方法对面部表情识别进行研究。 本文工作的重点在人脸特征的精确定位、表情特征提取和表情分类三个方面。在人脸特征的精确定位上，本文提出了多种方法改进主动形状模型(activeshapemodel，ASM)的性能，提高人脸特征定位的准确性和精确性。将局部二元模式(localbinarypattern，LBP)引入表情识别，以取得更好的表情特征提取结果。并将LBP与嵌入式隐马尔可夫模型(embeddedhiddenMarkovmodel，EHMM)结合，利用LBP抽取的表情特征训练EHMM表情模型，提出基于LBP-EHMM表情识别方法。使用Matlab和C++等工具完成特征提取和表情识别验证性实验。 本文首先对人脸特征的精确定位展开研究，重点放在对具有良好统计性能和泛化能力的主动形状模型的研究上。ASM用统计的方法建立人脸特征的形状模型和局部纹理模型，利用形状模型对人脸的形状进行约束，再通过对局部纹理模型的匹配将识别问题转化为一个最优化的问题。本文在传统的多尺度ASM基础上，提出了基于人眼、嘴角等特征信息的ASM搜索模型的初始定位方法和反复迭代的搜索策略，提高了ASM收敛的正确率。同时对局部纹理模型进行改进，提出加权子模型ASM和2D子模型ASM，大大增强了ASM收敛的精度。 基于隐马尔可夫模型(hiddenMarkovmodel，HMM)改进的嵌入式隐马尔科夫模型具有良好的二维结构描述能力，已在人脸识别中得到应用。本文利用EHMM对人脸表情进行表情建模和分类，实现了基于EHMM的表情识别方法。在此基础上，引入了局部二元模式。提出基于LBP-EHMM表情识别方法，通过LBP良好的局部纹理描述性能提取局部纹理表情特征，输入EHMM训练表情模型。在JAFFE人脸表情库的基础上进行EHMM和LBP-EHMM表情识别实验。实验结果验证了基于EHMM和LBP-EHMM表情识别的有效性。