人脸表情识别包括三方面的内容：人脸检测（定位），脸部表情特征提取，表情分类。
人脸表情分析系统的输入图像主要分为两类，一类是简单背景下的人脸图像，一类是在任意复杂背景下的人脸图像。目前大多数系统所使用的都是前一类图像，而实际应用中的图像多为复杂背景的图像，而对此问题目前还没有找到完美的解决方案。目前已经有的技术可以检ξ 测到一幅图像中只有一个人脸的，也可以检测多个人脸的（比如OpenCV的人脸检测算法能比较准确的找出人脸所在的位置）。但是当人脸信息不完整时，检测效『果如何，可等考证。比◥如人脸部分被遮挡的情况下，或者是人脸有大角度偏转时，如何检测人脸应该是一个有较大难度的问题。在大量的文献中描述了各种各样的人脸检测算法，主要包括：主元分析（PCA），神经网络，几何模型，（可变形）模板匹配，运动提取，彩色分析等[1][2]。其中基于神经网络的方ぷ法需要大量的训练样本，而一些基于特征的算法可以实现非正面人︼脸的检测，其它算法在某些特定的条件下也有优良的表现。
人脸表情特征的提取的算法大致可以分为两类：一类是基于特征的算法，一类是基于模板的算法》。基于特征的算法通常都是对几个脸部特征点，及其周围一小块邻近区域的信息的提取，用这些获取的信息进行脸部表情的分类，主要有主动外貌模型（Active Appearance Models）[3][6],FAP提取,光流计算法等。Ekman and Friesen提出了Facial Action Coding System (FACS)[4]，它是一种基于面部运动单元（AUs）描述的面部表情编码方法。基于模板的◤算法是把一个整体的人脸模型与图像中的人脸进行匹配，或者在序列图像中对人▅脸的运动变化进行跟踪。这种算法的计算量通常很大。对面部特征点的选定，目前以手工标识为主，目标是设计出自动提取算法。在特征提取中，可以分◣为两种方法，一种是手工标识特征点，一种是自动找寻特征点。在手工标识中，这个标识的过程也就默认的包含了人脸定位的过程，而标〒识出特征点，相当于就提取出了当前这幅图像︻的表情特征（经过一定的↑运算，较为简单）；而当前研究较多的是特征点跟踪问题，跟踪有多种方法，像光流，AAM等，但跟踪过程中也会出现一些问题，比如特征点跟踪丢失如何恢复等，在所看到文献中没有得到解决。另一种是特征点的自动标识，这个』问题比较复杂，有小部分文献中谈及这个问题，但都没有很好的解决。它的前提是人脸检测，然后是器官检测（比如眼睛，嘴巴等），检测到一个区域后，从这个区域中提取特征点相对就比较容易了，现在应用的主要有寻找图像中〓的转角。如果自动特征点技●术比较成熟了之后，特征点跟踪变的没有必要了。
表情分类中涉及两个问︾题，一是情感类型，二是分类方法。情感一般认为分成六类，即高兴、愤怒、厌恶、恐惧、悲伤、惊奇，但模型¤如何建立仍无统一理论。表情分类的方法也很多，现在主要应用的有以下一些：(1) 基于模＠板的分类方法[5]；(2) 基于人工神经网络(ANN)的分类方法[7]；(3) 基于隐马尔可夫模型(HMM)的分类方法[9]；(4) 基于概率论的贝叶斯分类方法；(5) 基于模糊规则▲的分类方法等。
