人脸表情识别是计算机视觉领域的重要研究内容,随着人工智能研究的发展,其在人机交互、在线教育和虚拟现实等领域展现出广阔的应用前景。针对现有人脸表情识别方法易受光照、噪声等因素的影响导致识别率较低的问题,本文提出了一种基于特征深度融合的人脸表情识别方法,该方法对预处理后的人脸表情图像进行了多特征提取,将提取的多特征输入改进的自编码网络进行特征深度融合,最后使用Softmax分类器进行表情分类识别。本文的主要研究工作如下:提出了一种基于面部关键点不规则分块的预处理方法。通过对面部关键点的定位和连接将人脸表情图像分割为15个不规则的多边形特征块,这种分块方法符合人脸的生理结构,有助于人脸局部信息的提取。提出了像素差局部方向数值模式(Pixel Difference Local Directional Number Pattern,PD-LDN)的特征提取方法。PD-LDN利用对称的Robinson模板矩阵对局部邻域进行边缘响应值计算,根据计算结果选出两个主要方向进行编码,并通过自适应的阈值对编码方向上的像素值进行二值化,使得对局部纹理信息的提取更加细致,特征的表征力更强。提出了一种基于改进自编码网络的特征深度融合方法。使用所提出的PDLDN算法、七阶矩和词袋模型分别提取人脸表情图像的纹理特征、几何特征和语义特征,从多个方面对表情图像的信息进行了描述,然后将三种特征输入改进的自编码网络进行深度融合,并使用损失函数对网络的融合效果进行评估,通过不断的调节使网络对于特征的融合达到最好的效果,最后将融合的特征输入Softmax分类器进行表情分类识别。本文在JAFFE和CK+数据库中将所提出的方法与当前主流方法进行了对比,实验结果表明,所提出的方法在多种因素干扰存在的情况下能有效识别人脸表情,具有较强的鲁棒性。