شناسایی حالات چهره، چالشی بزرگ برای ارزیابی ضعف های شماری از بیماران عصبی از جمله بیماران اسکیزوفرنیک می باشد. ارائه رویکردی خودکار جهت ارزیابی حالات چهره هدف اصلی بسیاری از کاربردهای بینایی ماشین است. در این پایان نامه رویکردی خودکار برای شناسایی حالات چهره از داده های ویدئویی ارائه می شود که تفاوت های بروز حالات چهره را مابین بیماران اسکیزوفرنیک و افراد سالم بررسی می کند. حالت چهره مورد بررسی عبارتنداز سه حالت پایه عصبانیت، شادی و غم. ردیابی و استخراج ناحیه چهره و چشم در فریم های ویدئو توسط الگوریتم وایولاجونز صورت می گیرد. شناسایی حالات چهره مبتنی بر ویژگی های استخراجی از ناحیه چشم انجام می پذیرد. ویژگی مبتنی بر بافت نتیجه استخراج ویژگی از پاسخ فیلتر گابور بر ناحیه چشم می باشد. همچنین از ویژگی های مبتنی بر شکل و ویژگی زمانی نیز استفاده می کنیم. به منظور دسته بندی حالات چهره از روش svm با هسته غیر خطی استفاده کرده ایم. از آنجایی که یکی از جنبه های تفاوت حالات چهره بیماران اسکیزوفرنیک با افراد سالم در شدت فعالیت ناحیه چهره در حین بروز حالت می باشد، به منظور تخمین شدت بروز حالت از روش رگرسیون svr استفاده می کنیم. در این پایان نامه رویکردی جدید برای تخمین شدت بروز حالات چهره مبتنی بر روش رگرسیون svr بر ناحیه چشم ارائه می شود. از طریق ارزیابی آماری بر نتایج خروجی حاصل از روش رگرسیون، به اطلاعات تکمیلی در خصوص نحوه بروز هر حالت دست می یابیم. پایگاه های داده مورد بررسی حالات چهره برای افراد سالم در این پایان نامه عبارتنداز: cohn شامل حالت مصنوعی چهره و fgnet شامل حالات طبیعی چهره می باشند. به منظور بررسی حالات چهره بیماران اسکیزوفرنیک به دلیل عدم وجود پایگاه داده، اقدام به ایجاد پایگاه داده ای مبتنی بر مصاحبات انجام شده با بیماران اسکیزوفرنیک نمودیم. در مرحله نهایی، به منظور جداسازی حالات چهره بیماران اسکیزوفرنیک از حالات چهره افراد سالم، از نتایج خروجی تخمین شدت بروز حالت به عنوان ویژگی در کنار سایر ویژگی های استخراج شده استفاده نمودیم. توسط دسته بند svm به دقت 98.76% در جداسازی حالات چهره بیماران اسکیزوفرنیک از افراد سالم دست یافتیم.