随着智能机器人的快速发展,如何赋予机器人和谐的人机交互能力使其能够感知人类的情感成为当前人与机器人交互研究的热点。人脸表情作为人类情感表达的重要组成部分,要使机器人能够理解人类的情感表达,必须使机器人有识别人脸表情的能力,因此表情识别的研究在人机交互领域显现出了其重要的研究意义和应用价值。针对传统AAM模型提取人脸表情特征时表征能力不足和实时性差的问题,本文提出一种基于BRISK和AAM组合方式提取表情的形状和纹理特征的方法。首先,对初始的人脸图像采用Fast-SIC算法拟合出人脸的AAM模型,在获得人脸关键特征点之后用BRISK匹配特征点以增强匹配效率,其次用LGBP对人脸AAM模型的纹理特征进行提取以增强表情特征的表征能力,最后用SVM分类器对提取的表情特征进行分类。然而,传统的人脸特征点定位提取表情特征的方法,不可避免的会引入人工标定误差,而卷积神经网络可以克服这个缺点。本文在研究卷积神经网络的理论基础上,利用目前流行的深度学习框架Tensor Flow设计了一个独特的卷积神经网络模型用于表情识别。本文设计的卷积网络与传统卷积网络不同的是,忽略了偏置项(biases),加快了训练速度,减少了学习参数的个数。通过分析对比网络层不同处理技巧(如激活函数,卷积核大小,Dropout等)的优劣,选取了比较合适的网络结构和参数,对8种基本的表情类别进行了有效的分类。本文中的表情识别方法主要在CK+和JAFFE表情库上进行了算法有效性的实验验证,其中在CK+表情库上AAM与LGBP结合的表情识别方法平均识别率为92.67%,卷积神经网络的方法平均识别率为95.54%。最后,本文设计了一个基于表情识别的服务机器人智能交互系统,在NAO机器人平台上验证了该本文算法的有效性。