人脸表情识别作为智能人机交互技术的重要组成部分,近年来逐渐用于计算机视觉、人工智能等热门领域。不同领域的研究者提出了许多新方法来提高识别的正确率,但通常情况下所采用的人脸表情图像必须为正脸,限制了人脸表情识别技术的应用范围。深度学习是机器学习研究中的一个新的领域,主要利用其无监督特征自动提取能力对数据进行处理。本文主要针对传统研究对人脸表情识别正确率不高且对表情图像存在限制的问题,将深度学习和支持向量机相结合,提出一种多层分类模型。利用人脸图像数据库CMU Face Images中的人脸表情样本训练集对该深层模型进行训练,该训练集中每个表情包含了8种不同角度(存在戴墨镜情况下的表情),训练后形成一个人脸表情识别模型(简称RBM-SVM模型);利用测试样本对其性能进行验证:对比RBM-SVM算法、DBN算法以及SVM算法在不同图像分辨率、隐含层层数以及节点数对识别结果的影响,研究RBM-SVM算法在不同隐含层层数,节点数的情况下与支持向量数及准确率的关系,分析支持向量机参数惩罚因子C和核函数参数g对识别结果的影响。在其他条件相同的情况下,采用RBM-SVM算法得到的人脸表情识别正确率均比DBN算法及单独采用SVM算法要高;RBM-SVM算法对图像分辨率不敏感,即人脸表情图像的分辨率的不同对识别结果影响不大;当隐含层层数越多时识别正确率越高;随着支持向量机的惩罚因子C值不断增加,当达到一定值时算法的识别正确率会很高并不再变化;当核函数参数g取0.004时,测试样本的识别正确率最高为96.4%。