人脸表情识别技术是人工智能领域的热门研究话题之一。计算机通过机器学习,分析图像的表情分类信息,判断出表情类别,从而实现人机之间自然交互。尽管表情识别技术已经深入应用于日常生活中,但仍存在鲁棒性不高、实时性差等问题,需要对其进一步研究。同时,压缩感知理论是近几年提出的一种新颖的信号编码理论,它打破了传统信号处理的方式,使采样速率不再决定于信号的带宽,在表情识别领域有很好的应用前景。本文的工作如下:　　首先,深入研究稀疏表示理论和人脸表情识别技术,将稀疏表示理论应用于人脸表情识别。对日本JAFFE表情数据库和卡内基梅隆大学的CK人脸库图像进行标准化处理和整理,以建立实验所用的表情图像库。　　其次,为了增强稀疏表示分类方法(Sparse Representation Classification,SRC)对噪声的鲁棒性,提出一种简单、直观的方法:基于双模板的稀疏表示分类方法。在由训练样本组成的过完备字典基础上,通过添加正、反模板构成新的字典,丰富了字典的信息,使其具有更强的表示能力。实验证明双模板方法对噪声具有不错的鲁棒性,当噪声方差为0.5时,双模板方法仍有80％以上的识别率,且其所得解有较好的稀疏性。　　然后,为了增大表情类间的差异,在特征提取方面,分别对盖伯变换和局部二值模式进行研究,结合 SRC实现对非特定人脸表情识别。实验结果表明,基于盖伯变换和稀疏表示的表情识别方法有不错的识别率。　　最后,在非特定人脸表情识别中,使用基于盖伯变换和稀疏表示的方法,所得的解稀疏性较差。针对这个问题,结合双模板方法,提出基于盖伯变换和双模板的表情识别方法,提高解的稀疏性。实验结果表明,基于盖伯变换和双模板的表情识别方法有不错的识别效果。