近年来，随着计算机和信息技术的快速发展，面部表情识别技术越来越受到重视。如何准确有效地提取表情特征并进行分类已经成为一个研究的热点。本文主要研究了表情特征提取和表情分类与识别中的一些关键问题，提出了一些改进方法，并通过实验进行了有效性验证。本文的主要工作如下:提出新的特征提取方法，即LBP曲波域的表情识别。为了分类面部表情，局部的面部信息需要存储。若要获取表情的局部描述，由曲波变换处理处理过的图像，局部二值模式(LBPs)计算选定子带。本方法是非交叉验证的，并且与LBP和Gabor小波两种方法作比较，得出比较满意的检测效果,即从LBP曲波域比LBP空间域能得到更好的效果。实验结果表明该方法在一定程度上能够有效提高表情分类的精度。提出了Semi-BSVMs的表情分类识别。首先介绍引入半监督学习-贝叶斯支持向量机用于二值分类,再通过构建Semi-BSVMs分类表情，达到高识别率。用来设计减少过度臃肿的问题，半监督学习有明显的优势超过监督或归纳学习。虽然传统的支持向量机有基于标记数据的最大距离，支持向量机的半监督形式将尝试在标记与未标记的这两个数据空间中找到的最大差距。这使我们能够使用未标记数据的一些信息和提高预测的整体性能。可能性是使用一种涉及未标记数据的特殊类型的铰链损失函数。由未标记数据构建的可能部分添加一个惩罚参数。参数和处罚控制通过对多数的前数据进行客观性分析。未标记数据的学习速度反映在未标记数据的惩罚参数的后验分布。这一提法为我们提供了应提取的未标记数据的信息,而不伤害模型的整体性能上的一个控件。实验表明，此分类器对识别率有了很大的提升。