人的面部表情蕴含着丰富的信息,通过观察人脸表情的变化,可以判断一个人的情绪状态。随着信息技术的发展,人们对人机交互界面的设计提出了越来越高的要求,使得人脸特征建模与表情生成技术在人机交互中发挥着非常重要的作用。如何设计一个具有真实感的人脸表情生成系统是研究人脸表情特征建模与表情生成的一个重要内容。本文通过对人脸表情特征的变化规律进行分析,研究基于回归的人脸表情特征建模算法,从而生成具有真实感的人脸表情,具体工作如下:（1）对人脸表情生成相关技术进行研究,并探讨基于特征点控制的移动最小二乘法（Moving Least Squares,MLS）和移动正则化最小二乘法（Moving Regularized Least Squares,MRLS）,这两种方法通过对人脸的特征点建立回归方程,并利用对网格顶点的控制,达到图像变换的效果。由于MRLS算法是在MLS算法基础上加入正则项改进而来,所以MRLS算法可以实现图像的非刚性变换效果,效果优于MLS算法。（2）研究六类基本表情（愤怒、厌恶、恐惧、惊喜、快乐和悲伤）特征与中性表情特征的变化关系建立线性回归模型,预测并生成任意人的六类表情。由于线性回归模型不能有效预测表情特征,因此提出利用时变非线性KNR（Kernel-based Nonlinear Regression,KNR）模型预测表情特征,并利用MRLS算法生成表情,同时计算两种模型的绝对误差和均方根误差。实验结果显示KNR模型预测表情特征效果优于线性回归模型,且生成的表情也接近实际表情。（3）研究六类基本表情序列在时间序列上的变化关系,训练六类表情自回归（Auto-Regressive,AR）模型,给定任意人的前两帧表情特征预测并生成下一帧表情。由于AR模型随着表情幅度的变化预测效果越来越差,因此进一步提出利用KNR模型学习表情在时间序列上的位移变化。通过对比两种模型的实验结果,发现KNR模型不受表情变化幅度的影响,预测效果优于AR模型。实验表明,KNR模型能够很好地表达人脸表情特征变化的过程,对于预测和生成人脸表情有重要的价值。