人脸表情识别是计算机视觉、模式识别等领域的重要研究方向，在人机交互、医疗、动画制作等产业都有很广泛的应用。因此开发一个人脸表情识别算法具有广泛的应用前景。本文主要使用Dense SIFT(Dense Scale Invariant Feature Transform即密集型尺度不变特征变换)算法提取人脸表情特征，再使用k-means聚类算法对表情特征进行聚类分析，并利用空间金字塔算法对聚类后生成的特征向量进行改进，最后利用支持向量机进行分类识别。本文的主要研究工作包括：(1)对SIFT算法的特征提取过程进行了详细的分析和研究，并研究了一种SIFT算法的简化算法，即Dense SIFT算法用于提取人脸表情特征。实验也显示Dense SIFT算法适用于人脸表情识别中。(2)研究了利用词袋模型生成一个包含一定数量单词的词典的方法。研究Dense SIFT算法在人脸图像上进行特征提取的像素点间隔分别为2,4,6,8个像素，生成的单词数分别为100,150,200,250,300,350,400,450,500,550,600时对实验结果的影响。(3)使用k-means聚类方法后得到的特征点，再用词袋模型生成代表图像特征的直方图之后，丢失了在原来人脸表情图像中的位置信息。利用空间金字塔算法，来获取聚类后得到的单词所代表的特征向量在原来图像中的整体位置信息。研究了使用空间金字塔算法前后对人脸表情识别率的影响。(4)结合SVM(支持向量机)方法，对数据库中七种人脸表情(生气，厌恶，恐惧，高兴，中性，悲伤和惊讶)进行分类识别。使用了一种自定义的核函数:直方图正交核函数。分别使用RBF(Radial Basis Function即径向基函数)核函数和直方图正交核函数对数据进行分类，并对分类结果进行比较。在JAFFE（日本女性表情库）上的实验结果表明，本文所采用的算法是有效的，最高平均识别率能达到93.333%。