یکی از مهمترین راه های ارتباطی انسان از طریق چهره و حالات آن است. حالات چهره در انتقال منظور و ارتقاء کیفیت ارتباطات انسانی نقشی اساسی بازی می کند. در دنیای صنعتی امروز تشخیص خودکار احساسات چهره در طیف وسیعی از زمینه ها از قبیل مطالعات روان شناسی و حقوقی، انیمیشن سازی، روباتیک، لب خوانی، درک تصاویر و ویدئو کنفرانس ها، مخابرات و ارتباطات تلفنی، تشخیص موارد مشکوک در محافظت های امنیتی و ضد تروریستی، شناسایی افراد و هم چنین تقابل انسان و ماشین کاربرد دارد. دانشمندان از سی سال گذشته تا کنون فعالیت های زیادی در این زمینه انجام داده اند و موفقیت های چشمگیری در رشد و توسعه این سیستم ها به دست آورده اند، به طوری که چه در زمینه ی تشخیص حالات هفت گانه در تصاویر ویدئویی و زنده و چه در زمینه ی بررسی تصاویر استاتیک و ضبط شده به سیستم هایی با بازده ی بالای 80% رسیده اند. تمامی این سیستم ها مبتنی بر سه بخش انتخاب ویژگی، استخراج ویژگی و کلاسه بندی آن ها هستند و از یک نقطه نظر، روش ها ی استخراج ویژگی به دو دسته ی روش های هالستیک و روش های آنالیتیک تقسیم بندی می شوند. از جنبه ی دیگر این روش ها در سه گروه روش های تصویر پایه، مدل پایه و ویژگی پایه قابل تفکیک اند. در این پایان نامه پس از بررسی های بسیار این نکته آشکار شد که عموم روشهای موجود یا دارای پیچیدگی های محاسباتی بالا و یا راندمان پایین هسستند و بزرگترین مشکل در این گونه مسائل ایجاد مصالحه ای بین این دو عامل است. لذا به دنبال الگوریتم های موجود چندین پیشنهاد برای تکمیل و بهینه کردن آنها ارائه شد و نهایتا الگوریتمی با نرخ تشخیص 99% در تشخیص احساسات شادی و غم به دست آمد. در ابتدا برای استخراج نقاط اصلی چهره از الگوریتم بهبود یافته ی لوپیاس استفاده شد. استخراج ویژگی به کمک آنالیز مولفه های اساسی و تلفیق آن با فیلترهای گابر صورت گرفت و برای کلاس بندی روش های معیار فاصله، شبکه عصبی و تلفیق آن با شبکه آماری به کار رفت. بازده 99% حاصل پیاده سازی فیلترهای گابر و آنالیز مولفه های اساسی روی چشم و دهان استخراج شده از طریق الگوریتم نقاط برجسته ی لوپیاس و کلاس بندی به کمک شبکه عصبی پرسپترون است. روش پیشنهادی شبکه آماری زمینه ی بازی را برای بررسی بیشتر در کارهای آینده ارائه می دهد.