面部表情作为情感交流的媒介与载体,在人际交流中发挥着重要的作用。心理学研究表明,通过对面部表情的分析有助于推测人们的心理活动并预测个体的行为。随着面部表情自动识别技术的兴起,让计算机分析理解人的情绪从而实现自然的人机交互成为可能。为了实现这一目标,大量的学者致力于这一领域并取得了显著的研究成果。然而,现有的算法多适用于约束条件下的表情识别,当应用于无约束的现实场景时,其性能会出现明显的下降。为了解决这一难题,本文提出一种基于局部融合特征的分层随机森林算法。首先,根据表情编码系统对表情动作单元与表情之间构建的对应关系,对面部划分显著动作区域。然后,基于显著动作区域提取几何特征和纹理特征,将提取的多通道特征进行融合用于表示面部表情。最后,基于不同的显著动作区域构建分层随机森林来训练六类基本表情分类器。为了验证所提出算法的有效性和优越性,本文分别在CK+和BU3D-FE表情库与现有算法进行了对比实验。此外,本文还比较了采用不同特征分层随机森林的分类性能,实验结果表明,融合特征优于单一特征,特征融合表现Gabor特征优于LBP特征。为了验证本文算法在无约束条件下的分类性能,本文分别在BU-3DFE和自建的表情库上进行了跨数据库实验,实验表明本文算法优于现有算法。