近年来，新生儿疼痛引起医护人员的广泛关注。由于新生儿不能自述疼痛的感受，疼痛评估成为新生儿学科中最具挑战性的一个难题。新生儿疼痛面部表情被认为是最可靠的疼痛指标，且持续时间最长，因而被国际上常用的新生儿疼痛评估工具选为评估指标。然而，这些疼痛评估工具往往受到临床医护人员主观因素的影响。因此，开发一种客观、快速、有效的基于面部表情的新生儿疼痛自动评估系统具有非常现实的意义。面部表情的特征提取是该系统的核心，其有效性直接影响到系统的性能。特征的选择对特征提取具有非常重大的意义，能有效降低特征冗余，从而提高识别效率，降低计算时间和存储量。　　 本文以新生儿疼痛表情为研究对象，以新生儿表情的特征选择为主要研究内容，完成了以下研究工作:　　 (1)采集新生儿图片，建立一个新生儿面部图像数据库。　　 (2)采用8个方向和5个尺度的Gabor小波滤波器对新生儿表情图片进行变换，得到表情图像的高维特征向量，完成新生儿表情图片的特征描述。　　 (3)采用AdaBoost算法对高维的特征向量进行选择，降低了Gabor特征的维数，增强识别的效率和准确性。　　 二维Gabor滤波器可以提取图像不同频率尺度和纹理方向的信息，并且对位移、形变、光照变化不敏感，具有良好的鲁棒性。本文提出的方法综合运用了Gabor特征对于面部表情的良好表征能力以及AdaBoost算法的特征选择能力。实验结果表明，使用AdaBoost对Gabor特征进行选择后，对疼痛与非疼痛、疼痛与安静、疼痛与哭的分类识别率分别达到了84.20％、92，96％、77.02％，较直接使用Gabor特征、非均匀采样、PCA降维方法表现出更加良好的性能。