人脸表情识别近些年来受到智能信息处理、数字图像处理等相关领域国内外研究者们的广泛关注。本文首先对韦伯局部特征(Weber Local Descriptor, WLD)进行深入研究,然后针对其在局部细节特征表征方面的不足以及人脸表情识别中存在的局部遮挡问题,提出了相关改进算法和融合方法,并通过大量实验加以验证。论文的主要工作及主要创新点如下：(1)针对单一特征不能很好表征人脸表情的不足,提出了一种加权融合韦伯局部特征和梯度方向直方图的人脸表情识别方法。首先对人脸进行分块,对于不同子块根据其对表情识别的贡献度进行加权,并提取WLD特征；然后对于这些贡献度大的子块用HOG提取它的局部显著性特征,级联生成最终的直方图；最后用卡方距离和最近邻方法进行分类识别。通过与其它相关算法的比较,验证了方法的有效性。(2)针对原始韦伯局部特征局部细节表征能力的局限性,提出了一种新的被命名为金字塔韦伯局部特征(Pyramid Weber Local Descriptor, PWLD)的特征描述方法。该方法根据待提取特征图像的大小和包含信息的丰富程度,选择不同的层数。每一层为上一层的各块按宽和高等分成更小的块,并通过调整WLD中的参数对每一个块图像提取其WLD特征,最后按照一定权值将所有的WLD特征合并形成最终的PWLD特征。实验结果表明,PWLD特征较原始WLD特征具有更好的局部信息表征能力。(3)针对人脸表情识别中存在局部遮挡的问题,提出了一种融合全局和局部特征的方法。全局方面,首先求取图像的差励图,根据遮挡部位与非遮挡部位不同的信息丰富程度,通过利用信息熵、最大类间方差法(Otsu)以及形态学的开闭运算对图像遮挡区域进行检测,接着对遮挡部分用由主元分析(Principal Component Analysis, PCA)算法重构后的图像进行替换,提取它的PWLD特征作为整体的描述,然后利用S型函数将SVM的输出结果拟合为目标类别的后验概率；局部方面,通过将存在遮挡的图像进行重叠分块,分别提取每个块的WLD特征,并利用信息熵对每一块自适应地加权,最后采用卡方距离和人脸相似块求和方法得到属于每种表情的概率。分类方面,利用D-S证据理论方法,融合来自不同方面的信息,可以得到更为可靠、准确的结果。通过在模拟遮挡的表情库上的实验验证了本文方法的有效性和容错性。