面部微表情（Micro-Expressions,MEs）是一种自发的,不自主的面部运动,一般当人因某种情感故意或无意识地试图隐瞒他或她的真实情绪时发生。最近,微表情识别由于其在临床诊断,商务谈判,审讯和安全等方面的潜在应用而引起了越来越多的关注。然而,构建大尺度微表情数据集的成本很高,主要是由于自发微表情难以诱导。这限制了深度学习方法的应用,因为其需要大量的训练数据。本课题围绕微表情图像和视频序列的特点,研究微表情识别的方法。首先提出了一个简单,有效鲁棒的用于微表情识别的描述子,称为在三个正交平面上的扩展局部二进制模式（Extended Local Binary Patterns for Efficient and Robust Spontaneous Facial Micro-Expression Recognition,ELBPTOP）。ELBPTOP由三个互补的二进制描述符组成:局部二进制模式和两个新的描述子径向差分局部二进制模式和角向差分局部二进制模式它们探索微表情视频序列中包含的径向和角向的局部二阶信息。ELBPTOP是一个新颖的微表情描述子,灵感来自独特微妙的面部运动。它计算高效,只是比LBPTOP稍有增加,但对微表情识别非常有效。此外,首先在微表情识别中引入白化主成分分析分析,我们可以进一步获得更紧致和有辨别力的特征表示,并显着减少计算复杂度。为了进一步提高微表情识别的准确率,本文又提出了一种基于积分投影和特征选择的微表情识别方法（Spatiotemporal Local Binary Pattern with Amplified Integral Projection and Multi-Cluster Feature Selection,MCFS-STLBP-AIP）。该方法首先基于高斯金字塔分解图像到不同的空间频率,然后通过带通滤波得到运动变化。对放大的运动变化运用积分投影方法用于获得水平和垂直投影,可以保留面部图像的形状属性和增加对微表情的区分。采用局部二进制模式运算符提取水平和垂直方向的外观和运动特征。然后通过多聚类特征选择选取更具有判别力的特征。在三个流行的自发ME数据集SMIC,CASME II和SAMM上广泛的实验评估表明我们提出的两个方法在所有三个单一评估数据集上,方法明显优于以前的技术水平,并且在跨数据库识别方面取得了可喜的成果。