新生儿疼痛研究近年来逐渐被人们所关注，医学界研究证实，反复的疼痛刺激会对新生儿产生一系列近期和远期的不良影响；又由于新生儿不能自述疼痛的感受，由此产生了一些针对新生儿疼痛的评估工具，其中面部表情是被广泛认同的一种最有效、可靠的评估指标。目前，国际上对新生儿疼痛的评估都是由受过专门训练并熟悉各项评估技术指标的医护人员进行人工评估，这需要花费大量的时间和精力，且评估结果容易受主观因素的影响。所以开发一种有效的新生儿面部疼痛表情自动识别评估系统是非常有意义的。　　 本文阐述了新生儿疼痛与表情识别系统的研究现状，介绍了统计学习的理论及支持向量机(SVM)方法，分析了模糊支持向量机(FSVM)的原理，并把FSVM方法应用到新生儿的疼痛表情多分类识别中。本文的主要工作如下：　　 (1)对当前常见的四种多分类SVM方法(一对一SVM、一对多SVM、决策导向无环图SVM(DDAG-SVM)、决策树SVM)进行了系统的分析，从训练和预测两方面分析比较了这些多分类SVM方法的性能，在此基础上对多分类FSVM进行了研究，提出了一种改进的二叉树算法，并将之与FSVM相结合构造了一种称为BT-FSVM(改进的二叉树模糊支持向量机)的分类器。　　 (2)对以上这些多类分类器，通过网上公用的数据库Statlog的Vehicle数据集和Satimage数据集对它们的分类性能进行了比较，结果表明本文提出的BT-FSVM分类器比其他分类器识别效果要好。　　 (3)采用一对-SVM、一对多SVM、DDAG-SVM、决策树SVM、一对一FSVM、一对多FSVM和BT-FSVM七种分类器方法分别对新生儿的4类表情(安静、哭、轻度疼痛和剧烈疼痛)进行识别分类，通过实验为各分类器选择最佳核函数，交叉验证结果显示FSVM方法比SVM方法识别效果要好，并且BT-FSVM方法获得了较好的性能，其识别率达到90.0％，相对于一对一FSVM和一对多FSVM，BT-FSVM考虑了类别间归属的模糊性，因此有了更好的泛化能力。　　 通过对实验结果的分析得出如下结论：本文提出的多分类FSVM表情识别方法针对新生儿面部疼痛表情的多类识别具备了应用价值。