赋予计算机人的智能,实现准确表情识别在人工智能高速发展的今天一直具有重要的研究和应用价值r然而表情识别易受到光照、姿态、遮挡等非受控的环境因素影响,同时现有数据集具有较小的样本容量和样本空间内具有明显的类间相似性与类内差异性给精确识别带来了诸多挑战。本文从特征层面溁入分析表情识别任务,旨在通过对不同性质的特征的提取与融合以获得更加鲁棒的表情特征,从而显著提高识别效果。本文的研究内容和主要贡献包括:(1)针对表情单一特征难以判别类间相似与类内差异样本而导致的错分类问题。本文提出一种基于一、二阶空间特征融合的动态表情识别算法。该算法采用协方差池化结构将人脸特征图映射至黎曼流形空间,并编码表情的二阶空间特征,该特征在黎曼流形中表现出对面部器官扭曲具有更高的敏感度。为了克服在空间映射时对原空间的信息损失,本文将卷积特征图代表的一阶空间特征与二阶空间特征相融合,有效丰富人脸特征在空间上的信息表达,最终将融合特征输入循环神经网络捕捉时序上的动态变化信息,实现动态表情识别并纠正错分类样本。(2)由于同源特征在融合时易发生信息冗余,本文通过分析一、二阶空间特征、几何特征、时序特征在表达上的特性和相互间的独立性与关联性,对特征融合的对象进行改进,提出一种基于空间·几何特征融合的动态表情识别算法,利用表情序列图片与人脸关键点编码更全面的特征,抑制复杂环境因素的干扰,进一步提高识别精度。同时,针对小样本数据集造成模型易过拟合,泛化性弱的问题,本文提出了一种基于迁移学习的分步式训练方法,以参数传递的形式将人脸识别知识迁移至表情识别任务中,在数据域上对表情特征实现了补充,并提高了模型的训练效率与鲁棒性。实验结果表明,本文提出的基于一、二阶空间特征融合的识别算法能够有效改善模型的识别精度,尤其恐惧与开心表情上有突出效果。本文提出的基于空间-几何特征融合的动态表情识别算法模型在识别准确度和训练速度上均与大多数最新方法相当或更好。