随着互联网技术的快速发展以及网络安全的日渐成熟,人们期待能够实现更好更和谐的人机交互环境,让计算机根据人的表情做出相应的反应,这一要求推动了人脸运动单元(Action Units, AU)识别的快速发展。AU反映的是更细微层面的人脸表情特征,不同的AU组合不仅能表示六种基本表情,更能体现出现实生活中人脸形成的自然表情,在多个领域有着重要的应用前景。通过分析大量文献资料,我们发现人脸AU的研究主要分为上下两部分单独进行。之后采用典型的AAM算法提取人脸AU的形变特征进行量化,最后利用经典SVM算法进行AU分类。然而,AAM算法需要手工标记,工作量很大,而且实时性也受到了很大的限制,而SVM算法需要分析并调节两个重要参数,使得识别过程比较困难。同时,由于待识别的基本AU和组合AU种类多且AU样本具有重复性,使得分类识别的结果不够理想。为了解决这些问题,本文根据AU与特定人脸肌肉运动相对应的特点,提出将旋转矫正后的人脸区域进行局域化处理,然后针对不同的子区域图像分别研究其对应的AU。我们利用上半人脸区域快速定位出人眼位置,找到两个眼睛的中心坐标作为研究基础,利用几何关系定位出眉眼区域、鼻子区域和嘴部区域。之后根据眉眼区域特征提出了改进的眉毛和眼睛分割算法。将提取到的五部分人脸子区域图像进行归一化处理,为后续的特征提取和分类识别阶段奠定基础。在特征提取阶段,我们首先研究了经典的PCA算法,根据PCA算法忽略了图像的高阶相关性这一不足,提出利用KPCA算法进行AU特征提取。而DWT(离散小波变化)能对图像进行分解,使能量集中,并且能减少计算量,提高计算速度,为此我们提出改进的特征提取算法DWT-PCA和DWT-KPCA,结合实验分析了算法的最优参数条件。根据样本特征提出利用K近邻法作为分类器进行AU识别的研究。实验证明,采用DWT-KPCA和最近邻法时,AU识别效果最好,平均识别率达到98.17%,而且程序的运行时间也是最短的,平均每幅子图像的处理时间为0.05s。从实验结果分析,本文算法达到了令人满意的效果。