人脸表情识别技术在人机交互和智能交通系统领域有着广阔的应用前景,是目前一个非常活跃的研究领域。该技术主要涉及两个方面的问题,如何有效地获取人脸面部表情特征以及如何开展表情分类分析研究。本论文将对以上两个关键问题进行研究,并将剪切波(Shearlet)变换和压缩感知理论应用于表情识别中。作为一新兴的多尺度几何分析工具,Shearlet不仅具有小波变换的多分辨率特性和时频局域特性,还具有很强的方向敏感性和各向异性。本论文的主要研究内容和创新点如下：1.研究了二维离散可分离剪切波变换(2D-DSST)在图像处理领域的性质,并在此基础上确定了图像在Shearlet域特征提取的依据。同时对本文仿真实验所使用的人脸表情数据库及预处理方法进行了相关说明,并用最近邻插值法对图像进行降维,满足2D-DSST离散算法对输入图像尺度的要求。2.提出了一种基于DSST和支持向量机(SVM)的表情识别方法,采用低频和某尺度高频分量融合作为表情特征。对DSST变换的尺度和高频分量与表情识别率之间的关系分别进行了定量实验分析。实验结果表明,高频分量也具有一定的识别性能,但识别率较低,将低频和高频分量融合能够更有效提取出表情的本质特征,能够有效提高识别结果。与其他已有算法的仿真比较也验证了本文所提算法的有效性。3.提出了一种DSST变换尺度与方向选择的优化方法。通过使用可分性分析,来评价Shearlet变换中不同尺度与方向的优劣。然后选取具有最佳可分性指标的尺度和方向,以实现特征维度的减小,并显著地降低计算量,提高系统效率。4.提出了一种基于DSST和压缩感知的表情识别算法。研究了压缩感知理论,并利用剪切波系数非常稀疏这一特点,将Shearlet与压缩感知理论结合并应用于表情识别技术之中。并与基于DSST和SVM的识别算法相比较,在不需要进行经验参数设置的情况下,小样本时得到了与使用传统分类方法接近的识别率,大样本时识别率显著提高,有效地解决了SVM分类器对于大样本问题难以奏效的问题。