人机智能交互技术旨在为人类使用计算机提供自然的交流方式。为了与人类交流,计算机必须具备人类的交流技能,即理解、分辨和识别人类情绪状态的能力。表情包含丰富的情感信息,是人们理解情感的重要途径。近年来,随着人们对人机交互兴趣的增加,表情识别逐渐成为研究的热点。本文在分析总结国内外心理学和计算机领域关于面部表情识别研究工作的基础上,针对基于静止的单帧人脸图像和局部化的脸部运动编码系统的特征,提出一种改进的基于高斯混合隐马尔可夫模型的动态人脸表情识别方法,在一定程度上更真实地反映了人脸表情变化的特征和情绪心理。主要成果如下:1.提出了一种基于相位形式描述面部表情运动特征的方法。该方法将面部表情特定区域的运动特征表示成相位形式,对其降维后构造特征向量,并组成时序特征序列,简化了构造特征向量的计算过程。实验结果表明,该方法简化了计算,减少了后续表情分类过程的处理时间。2.针对传统的离散隐马尔可夫模型在对表情特征序列进行矢量量化方面的不足,提出基于单步左-右高斯混合隐马尔可夫模型描述面部表情时序特征序列的方法,直接在特征向量空间上分配概率,并假设表情时序特征序列服从高斯混合分布,从而减少矢量量化误差。3.在采用高斯混合模型描述面部表情时序特征序列的过程中,提出利用k-means聚类算法指定该概率模型初始值的方法,该方法能够精确地描述表情特征序列的概率分布。实验结果表明本文提出的方法提高了分类效率,减少了矢量量化误差,具有较好的性能。