微表情作为人内在情绪的真实表现,是人在受到刺激时不由自主表现出的瞬间真实反应,具有持续时间短、强度低、难以诱导等特性。由于微表情的发生不受思维控制,因而微表情能够揭示一个人的真实情绪,即使一个人试图隐藏真正的情绪,面部肌肉的运动、收缩也能够对真实的情绪进行揭示。在测谎方面,对微表情的识别可以在谈话过程中对说话者是否说谎进行判断,在国家安全、司法审讯、机场安检、案件侦破以及监狱管理有着巨大的应用价值和发展潜力,有助于维护国家的稳定与安全。微表情自动识别技术可以自动地对微表情进行识别,从而判断人的内在真实情绪,有着广阔的发展前景。随着机器学习和模式识别的发展,微表情自动识别技术发展迅速,对微表情自动识别技术的研究也越来越深入。然而,由于目前现有的微表情数据库的已标记训练样本过少,导致无法训练出高精确度的模型,使得微表情自动识别的性能不尽人意。目前的宏表情和语音数据库样本丰富,含有充足的已标记样本,同时由于宏信息(宏表情/语音)与微表情在情感特性方面具有一定相似性,因此,为了解决微表情已标记样本过少导致的识别困难问题,本课题提出宏信息辅助的微表情识别算法。具体而言,本论文主要贡献如下:阐述了微表情和微表情识别的相关概念,概述了课题的研究背景以及意义,综述了国内外微表情识别领域的研究现状。提出了基于奇异值分解的微表情识别模型,通过奇异值分解的方法将宏信息与微表情相结合,实现宏信息到微表情的迁移,充分利用了数量充足的宏信息样本,解决了因微表情已标记训练样本数量不足导致的微表情识别率不高的问题,并使用CK+表情数据库、CASMEII微表情数据库和CASIA中国情感语料库验证了该模型的有效性。提出了基于耦合度量学习的微表情识别模型,提出了新的宏表情、微表情特征描述子,包括双交叉模式-三正交平面、多阶双交叉模式、多阶双交叉模式-三正交平面、风火轮模式和风火轮模式-三正交平面等,以增强特征描述的准确性。由于在耦合空间中,宏信息和微表情的距离更小,更接近,因此通过耦合度量学习算法将宏信息和微表情投影到共同的子空间,之后采用平滑支持向量机进行分类,从而增强微表情识别率。实验结果表明所提出的基于耦合度量学习的微表情识别模型高于其他微表情识别模型。提出了基于宏信息知识迁移的微表情识别模型。为了增强宏信息和微表情的非线性表达能力,提出了核耦合判别局部块对齐方法,将宏信息和微表情经过核映射后投影到共同子空间。在分类层面,提出了迁移支持向量机模型,通过利用统计学理论的结构风险最小化准则,采用加权方式对支持向量进行调整。通过基于宏信息知识迁移的微表情识别模型,微表情识别率最高可以达到91.5%。