近年来,三维人脸模型在虚拟现实、游戏、动画、医疗等领域应用日渐广泛,但是三维人脸模型的获取依赖于专业人员手工制作或使用专业设备进行采集,基于深度学习的三维人脸重建方法因此成为热门研究课题,但是目前为止重建精度仍不够高。表情驱动技术是人脸模型在诸多领域应用的基础,但表情驱动通常使用的Blendshape模型需要专业人员手工制作几十个表情基模型,过程较为耗时,不同的应用场景对表情驱动方案要求也有所不同。本文主要研究内容包括:第一,针对手工生成人脸模型成本较高且基于单视图人脸图像进行三维人脸重建精度不够高的问题,提出一种基于ResNeSt网络改进编码器-解码器结构的基于UV位置图的单视图三维人脸重建方法。采用ResNeSt网络改进了编码器,解码器阶段通过融合对应下采样层和上采样层特征的方式强化了网络的特征提取能力。最后通过实验对模型进行了评估,实验证明该模型在单视图人脸重建应用中有较好的表现。第二,针对目前缺乏自动化的Blendshape表情基生成方案的问题,改进了一种基于三角网格形变传递的Blendshape表情基自动化生成方案。针对不同的表情驱动使用场景设计了两种表情消息同步策略。针对表情驱动需求,设计了表情动画模块控制方案以及动画平滑方法。实验表明改进的Blendshape表情基自动化生成方法能够较好地完成自动化生成Blendshape表情基的任务;两种表情消息同步策略能够较好地应对不同的表情驱动应用场景需求;表情动画模块较好地完成了驱动动画播放效果,动画平滑方法有效。第三,针对当前基于人脸表情驱动技术制作人脸表情动画的实现流程仍不够自动化的问题,基于前两点研究实现了一个原型系统。经测试,该系统可以初步实现三维人脸重建到人脸表情动画制作的整个流程,可初步用于表情动画制作应用。