微表情是一种肉眼难以察觉的,微弱的,持续时间仅有不到半秒的表情。这种表情会出现在外界刺激很强而又想极力抑制自己真实情绪的时候,是不受自主控制的,反映了一个人内心的真实想法。微表情在侦讯,国安领域有着广泛的应用前景。对于未经训练的普通人而言,识别微表情是困难的,因此研究者尝试利用计算机技术完成这一任务。微表情自动识别存在着以下难点:微表情数据采集困难,现有的数据集样本数量稀少,各类样本数量不平衡,不利于分类器的训练;微表情持续时间短,动作强度低,动作范围小,使普通的表情识别算法不再适用,需要设计专门针对微表情的特征提取方法。为此,本文在微表情数据集预处理、特征提取、特征降维、数据量扩增等方面展开相应的研究。首先,考虑数据集中各样本存在光照、脸型、姿态的差异,研究三种数据预处理方法,包括直方图规定化、人脸特征点提取和人脸配准。实验比较LWM法和普氏分析法两种人脸配准算法的性能,得出普氏分析法更适用于微表情数据的结论。其次,提出一种基于视频数据的识别算法,该算法利用HWP-TOP提取微表情的特征,用Grassmann流形降维算法减少特征的维度,使其更容易学习。通过实验比较多种降维算法的性能,证明使用Grassmann流形降维的合理性。再者,提出一种基于微表情高潮帧的识别算法,考虑到微表情局部性的特点,算法使用局部非负矩阵分解对其进行特征提取。针对微表情样本量少导致的分类器泛化能力弱的问题,需要利用大量宏表情样本生成新的微表情样本。为此对现有宏-微转换算法进行改进,使其适用于本章所提的非负特征。实验证明,新的样本能让识别准确率有明显的提升。最后,提出一种结合微表情静态和动态特征的深度神经网络。该网络首先用CNN提取微表情高潮帧的静态特征,再用GRU处理由每帧图像特征组合成的特征时间序列,得到表情的动态特征,最后将两种特征进行融合并识别。实验证明,使用融合特征识别的效果比基于单一特征的效果更好。