在面对面的交流中,面部表情传达了人与人之间的非言语信息。面部表情的自动识别在人机界面中起着至关重要的作用,自上世纪90年代初以来一直受到研究人员的关注。在人工智能和物联网技术快速发展的今天,如果人跟机器人之间也能够进行表情的沟通,实现人机之间的智能交互,那将会极大地促进人工智能技术的发展。因此,实现计算机人脸表情识别具有重要的研究意义。在面部表情识别系统中,特征选择和提取是面部表情识别过程中非常重要的环节,特征提取越具备本征性,识别性能就越高。由于识别精度还没有达到最好,现有的特征提取方式以及分类器的优化还有改善的潜力。除此以外,近年来国内外许多研究人员针对情绪识别已经做出了很多的研究,从单一模态情绪识别到多模态情绪识别,这些研究大多都是区分六种基本的面部表情。然而对于相同的面部表情,表情强烈程度不同,表现出对应的情感状态也会不一样,对情绪识别和分析不应该仅仅局限于几种粗粒度的分类结果。本文针对上述问题,首先提出了基于Gabor滤波器的表情识别方法。首先通过对图像的人脸进行检测与定位,然后通过采用对边缘区域比较敏感,并且对于光照的变化具有鲁棒性的Gabor变换来准确提取人脸表情特征,接着采用BDPCA+LDA进行降维,最后使用欧式距离和最近邻法对表情进行分类,完成对图像的表情识别。然后提出了基于模糊聚类的表情强度估计方法,在大类情绪识别的基础之上,从分类器末端取出“愤怒”情绪的多张图像样本,从中选取出200张测试和检验样本,把选取出的训练样本进行融合聚类,确定初始聚类中心个数。最后通过训练过的自适应神经模糊推理系统(Adaptive Neural-Based Fuzzy Inference System,ANFIS)对已识别出的愤怒表情测试样本进行测试打分,分值越高愤怒程度越高。为了验证基于Gobor滤波器的表情识别方法和基于模糊聚类表情强度估计方法的性能,本文基于JAFFE数据库和Ck+数据库,在这两个数据库的基础上进行表情识别和表情强度估计的实验。实验结果表明,本文设计的Gabor+BDPCA+LDA表情识别方法最高可以达到97.21%,基于模糊聚类的表情强度估计方法最高可达到83.34%。实验证明,这两种方法在真实环境下具有良好的可行性和鲁棒性。