三维人脸重建是计算机视觉研究领域中一个活跃的研究课题,具有广泛的应用场景,如在游戏动漫的人物设计、虚拟现实领域中的交互应用以及在医疗领域中进行仿真建模等。尽管三维人脸重建在历史上有几十年的研究,但是由于人脸的差异性和复杂性,三维人脸重建仍是一个极具有挑战性的研究课题,尤其是通过单幅人脸图像完成三维人脸重建。相较于基于多视图的三维人脸重建技术,基于单视图的三维人脸重建技术需要的输入信息量少,这使得我们可以更加快速地完成三维人脸重建。相较于通过昂贵的三维重建设备恢复三维人脸结构,基于单视图的三维人脸重建技术成本更低,操作更加简单。所以本课题的研究极具研究性和价值性。本文从实际出发,对目前基于深度学习方法的单幅人脸三维重建算法进行改进,设计了一个快速、高效的基于编码-解码架构的三维人脸重建算法。而且本文提出了层级特征融合模块以及非对称的权重掩码均方差损失函数来提高三维人脸重建的精度。并且利用重建的结果完成头部姿态估计的功能,最终设计了一个基于三维人脸重建的头部姿态估计系统。所以本文的工作主要包括:首先通过阅读大量的文献,本文对基于深度学习方法的Pr Net(Position Map Regression Network)三维人脸重建算法做出改进,提出了一种基于注意力模型的Efficient Net层级融合编解码网络。在编码网络中,本文使用轻量的Efficient Net作为骨干网络,并提出了层级特征融合模块,将该模块整合到Efficient Net网络中,可以提高编码网络对多层特征的利用。而且在解码网络中引入了注意力模型机制,让整个网络模型更加关注人脸特征,提高了三维人脸重建的精度。然后为了解决均方差损失函数对所有点都是均等对待的问题,本文提出了一种非对称的权重掩码均方差损失函数,该损失函数不仅可以让网络模型更加注重学习人脸区域的特征,而且对于不同区域的人脸特征,其对损失函数的贡献是不一样的。最后,本文设计了一个基于三维人脸重建的头部姿态估计系统。该系统通过不断地读取摄像头中的每一帧数据,然后利用Dlib库完成人脸检测,使用Pytorch框架完成了基于注意力模型的Efficient Net层级融合编解码网络算法的搭建。并将检测到的人脸输入到该算法中,以此完成三维人脸重建的过程,然后根据重建的结果再计算出头部姿态的参数。最后借助Flask框架搭建了一个WEB服务,将三维人脸重建以及头部姿态估计的结果实时显示在网页中。实验结果表明,相较于其它的三维人脸重建方法,本文所提出的算法能够快速的重建出三维人脸模型。在GPU环境下,只需5.3ms即可获得三维人脸重建的结果。在提高了算法运行速度的同时,三维人脸重建精度也保持在一个可接受的水准。本文所提出的算法在三维人脸重建的NME(Normalised Mean Error)大小为4.09%。相较于Pr Net三维人脸重建算法,本文所提出的算法在重建精度上的性能损失了3%左右,但是在重建速度上的性能提高了45%。