随着人工智能、机器学习以及模式识别等技术的蓬勃发展,表情分析在机器视觉等领域成为一个重要的研究方向,在人机交互、远程教育、医疗、日常生活以及安全等方面有着广泛地应用。表情是人类交流感情的重要表现形式,每个人对不同表情的表达方式不同,同一个人对相同表情表达的程度也不同,所以对非特定人的面部表情分析研究具有重大的意义。目前大多数的视频表情识别都是在现有数据库的基础上进行研究的,而数据库中的视频表情也只是连续的图片序列,适应于任意长度的视频片段的表情识别还比较少。本文的研究内容不仅包含数据库中的视频表情识别,还包含任意长度的视频表情片段的识别以及表情分析。本文的主要贡献有以下几方面:在表情视频预处理阶段,本文提出了一种利用人脸面部关键特征点之间的距离比值,计算其方差关系,将表情部分从整段视频中分离出来的方法。在截取出来的表情片段中选择要进行识别的人脸,对人脸的角度进行调整使得两眼中心点在同一水平方向上。然后根据人脸五官的几何特征,以两眼中心点之间的距离为基准,将人脸、眼睛眉毛以及嘴巴三部分分割出来,然后进行尺度归一化处理。最后为了提高特征提取的有效性,对分割出的图像进行中值滤波以及直方图归一化处理。在特征提取阶段,提出了一种基于三维正交平面的完全局部二值模式(CLBP_TOP)的特征提取方法。利用该方法进行提取特征之前,首先对预处理结果分割出来的三部分重要区域进行分块处理,然后在每一小块上提取CLBP_TOP特征,最后得到联合统计直方图特征作为最后表情视频的特征向量。在表情识别阶段,提出了一种与改进的动态时间规划(DTW)算法相结合的最近邻分类方法,该方法在原始最近邻分类器的基础上,将改进的DTW算法应用到两个向量之间相似性的度量中,实现了视频中人脸表情表达时间的一致性。在CK+数据库上将本文方法与其它方法相比较,提出的CLBP_TOP特征更具有鉴别能力,各个表情片段的识别率普遍更高。该方法同样适用于任意长度的表情视频片段的识别,并且提出了表情评价的相关指标:表情持续时间指标和表达强度指标,实现了对表情的详细描述和分析。本文不仅对单一表情视频进行分析,同时对视频中存在多种表情切换的情况进行了研究,能够分析出表情中含有哪几种表情以及每种表情的类别、表情持续时间和表情强度的详细信息。