随着信息与科学技术的发展,人脸表情识别技术在行为科学、医学、计算机科学等众多领域中扮演着重要角色。但由于人脸表情图像数据的高维性,实际应用中光照、姿态以及人脸表情的多样性等诸多因素的影响,人脸表情识别仍有许多问题需要解决。本文基于子空间嵌入及迁移学习算法研究人脸表情识别,主要研究内容如下:(1)针对传统LBP特征对表情图像细节描述不够细致的问题,同时为了保持对光照、角度等干扰因素具有鲁棒性,首先对表情图像提取了分块LBP特征。然后在基于图嵌入技术的降维过程中,利用类内紧性约束构造本征相邻图,来增强给定样本与同类非邻居样本之间的重构关系。利用类间紧性约束来构造惩罚相邻图,减少给定样本与不同类别的伪邻居样本之间的重构影响。此外,在低维投影过程中,将全局分布约束引入到投影目标函数中以寻找最优子空间,从而在降维的同时达到了缩小类内距离,增大类间距离目的。(2)针对表情图像数据因分布失配导致的跨域表情识别问题,提出一种基于数据引导的表情子空间学习及识别方法,即利用在重构系数矩阵上施加联合的低秩与稀疏约束,来捕获表情数据的全局与局部结构。为了最大程度地扩大不同类别之间的距离并提供更多的自由来减少差异,通过学习非负标签松弛矩阵可以获取灵活的转换矩阵,该矩阵允许严格的二元标签矩阵松弛为松弛转换矩阵。使用转换矩阵将表情源域数据与目标域数据转换到一个公共表情子空间,以减少源域与目标域的差异。(3)提出一种基于多项引导子空间学习的表情识别算法,通过教师授课与学生反馈的两阶段学习策略使用三个引导项来学习不变,可判别且与领域无关的表情子空间。子空间引导项通过将源域移近目标子空间来减小域之间的差异。数据引导项使用耦合投影将两个域映射到公共的表情子空间,其中每个目标域样本可以由具有低秩系数矩阵的源域样本表示,该矩阵可以保留表情数据的全局结构。为了提升子空间的判别性,基于源域标签与伪目标标签构造标签引导项以进行预测。此外,引入标签松弛矩阵提高模型对标签噪声的容忍度。