1. 面部表情拆分教学法
通过将面部表情拆解为眼睛、眉毛、嘴角三个关键部位，帮助自闭症儿童逐步识别高兴/不高兴等基础情绪。例如使用对比图片展示不同部位的变化规律（如嘴角上扬代表开心），这种方法适合认知能力较弱的儿童。
2. 交互式游戏训练
会说话的面孔"（Face Say）程序包含三个模块：
该程序通过计算机交互提升面孔识别和理解能力。
3. 眼动追踪辅助分析
研究发现自闭症儿童观察面部时存在注视模式异常，如更关注嘴巴而非眼睛区域。通过眼动仪记录首次注视时间、注视点分布等数据，可量化评估其表情识别困难程度。
1. 基于视觉Transformer的检测
利用学习模型分析面部特征（如微表情变化、注视方向），通过大规模数据集训练实现自闭症早期筛查，准确率可达85%。
2. 合成数据集增强
Vec2Face等模型可生成高质量合成人脸数据，通过控制类间差异和类内变化提升模型性能，解决真实数据不足的问题。
3. 多模态情绪识别系统
如Affectiva公司开发的软件，结合面部表情与声音识别构建情绪数据库，帮助自闭症患者理解他人情绪状态。
当前技术仍面临两大挑战：
未来发展方向包括开发便携式家用检测设备和跨年龄段诊断模型。
