三维人脸模型的重建是目前三维人脸识别、三维人脸动画等领域的核心研究内容之一。近几年来，众多研究者提出了许多不同的方法用于三维人脸模型的建立，得到了一些研究成果，并应用到各种不同的领域，如电影、动画、医疗、刑侦等领域。随着其应用范围的不断扩大，人们对于三维人脸重建的质量、效率等都提出了越来越高的要求。 形变模型是一种三维人脸重建的方法，该模型同以往的参数模型、肌肉模型以及视觉模型相比，具有真实感好、自动化等特点，但是其主要缺点便是过于耗时，重建时间较长。针对于这个问题，本文在基于形变模型的人脸重建方法及应用方面展开了研究，具体的研究内容大体可分为如下几个方面： (1)三维形变模型中的人脸模型的网格简化。首先，在大规模三维人脸数据库的基础上，讨论建立三维人脸形变模型的方法，主要包括参数模型建立和针对输入人脸图像的模型匹配。参数模型的建立涉及模型基础数据的获取和量化，模型匹配涉及到光照模型、摄象机标定以及大数据量的优化问题。其次，对现有的形变模型网格进行了简化，主要对现有形变模型的基础之上进行了降维，从而可以减少后期形变模型的计算量。 (2)形变模型基的多尺度表达。主要在形变模型基的各个尺度之间关系、如何在各个尺度之间进行互相转换方面进行了研究。基于形变模型进行的三维人脸重建，需要通过三维人脸数据库生成一组人脸合成的基向量。而在多尺度情况下，如何建立多尺度基向量及三维人脸之间的关系，则成为本文研究的内容之一。 (3)高尺度三维人脸的快速重建。主要包括在建立了多尺度形变模型基之后，如何通过使用低尺度下的基向量重建出的三维人脸模型，快速重建出高尺度下的三维人脸模型。其中主要通过基于Haar小波变换的反变换的方法，来实现高尺度三维人脸模型的快速重建。 对于上面的几个方面的深入研究，本文首先对形变模型的基结构进行了简化；然后建立了多尺度的形变模型基，使得在重建时可以更为快速；最后提出了高尺度三维人脸模型的快速重建方法。下面是本文的主要贡献和创新点： (1)提出了形变模型中的人脸模型的网格简化方法和构造多尺度形变模型的方法。基于Haar小波变换的方法可以对现有高尺度下的形变模型的基向量进行简化，并生成多个尺度下的基向量，同时保留了各个尺度与原始向量之间的关联关系，从而为后续高尺度下三维人脸的快速重建奠定了基础。 (2)提出了高尺度三维人脸的快速重建方法。通过Haar小波变换的反变换，可以将在低尺度形变模型下重建出来的三维人脸，快速变换到高尺度下。在变换过程中，充分利用了Haar小波变换的反变换的过程，使得在高尺度三维人脸重建过程中，提高了重建速度，并保证了重建的质量。