近些年来,关于三维人脸的研究逐渐得到了研究人员们的关注。其中,三维人脸的表征学习是指利用模型得到人脸信息在计算机中的语义表征,从而驱动下游丰富的三维任务,所以三维人脸表征学习具有重要的意义。由于人脸中包含非线性的形变特征,传统的方法基于线性子空间或者高阶张量来刻画人脸表征,由于线性的局限性,得到的表征空间无法刻画极度形变的情况,造成表征能力和扩展性较差。而基于深度学习的三维重建任务可以得到表示能力更强的结果,但是仍然存在尺度信息无法有效捕捉的问题。本文首先针对高精度三维人脸重建,首次关注到三维人脸上尺度信息对于性能的影响,提出多列图卷积结构,利用不同大小的感受野进行多尺度特征提取。基于多列图卷积结构,本文进一步提出多列图卷积网络的三维模型（MGCN）,为了融合不同尺度的信息,该网络引入了自适应特征选择模块,并结合自注意力机制来捕捉空间中的非局部关系,从而提高隐层空间的表征能力。三维人脸表征可以驱动很多下游任务,其中三维人脸动画具有非常高的应用价值,比如落地到电影、虚拟现实等行业中。针对三维人脸动画,本文提出了基于三维人脸表征引导的跨模态框架（GDPnet）,在引入几何信息的同时加快网络收敛的速度,并且体现出强大的鲁棒性。在引导的层面本文提供了两种约束函数,分别是Huber和HSIC（希尔伯特-施密特独立性准则）,从不同的视角出发引导隐空间的训练过程。丰富的实验证明本文提出方法的有效性,在三维人脸重建任务中体现出具有竞争力的结果,并可以生成极度形变的人脸实例。在三维人脸动画中,表征引导的方式极大的加速了训练过程,提高了生成动画的鲁棒性,并且可以泛化到真实采集的人脸数据中。