近年来，有关新生几疼痛的研究证实，反复的疼痛刺激会对新生儿(尤其对早产儿和危重儿)产生一系列近期和远期的不良影响，因此医学界正致力于开发出新生儿疼痛评估工具。在评估新生儿疼痛时，专家认为仅靠生理变化来评估疼痛是远远不够的，因为其它非疼痛的刺激也可引起类似生理反应，因此必须与行为评估方法联合应用。新生儿疼痛的行为反应包括躯体活动、哭泣、睡眠以及面部表情的改变，其中面部表情的改变被视为是一种最好的疼痛评估指标。开发一种基于面部表情识别的新生儿疼痛自动评估系统具有非常重要的意义和价值，而表情分类作为表情识别的最后一个环节具有至关重要的作用。本文所做的工作就是在新生儿面部表情特征提取的基础上进行表情分类。　　 本文在研究支持向量机和AdaBoost算法的基础上，研究了组合AdaBoost和RBFSVM的可行性，并设计开发了组合分类算法--AdaBoostSVM。把该算法应用于新生儿疼痛表情识别中。主要工作如下:(1)针对多分类情况，对当前流行的SVM多分类技术进行了深入研究，并讨论了AdaBoostSVM所采用的多分类策略。(2)在建立新生儿疼痛表情数据库的基础上，设计并实现了基于AdaBoostSVM的新生儿表情分类系统，并使用该系统进行了模型初始参数的实验。实验表明在固定惩罚因子C的基础上，逐步减少高斯带宽参数σ到一个适当值可以极大的改善性能。(3)通过对AdaBoostSVM和单个SVM分类器以及基于决策树的AdaBoost算法进行新生儿疼痛表情识别比较，得出本文应用的AdaBoostSVM分类算法性能优于其他两种分类算法。