人脸关键点检测,是指对人脸面部的关键点位置进行定位,已经成为了计算机视觉技术的一个重要组成部分。但是在实际应用中,由于模型的大小、速度的影响,人脸关键点检测的算法表现仍然有不足之处,如何解决模型大小、速度和精度之间的平衡,在人脸关键点检测任务中仍是一个需要解决的目标。目前,在人脸关键点检测任务中,卷积神经网络因为其强大的学习能力以及非线性拟合能力已经达到了很高的精度。但是,由于网络较为庞大,对硬件要求较高,难以部署到移动端使用。轻量级网络虽然在模型大小和速度上占优,但精度又无法达到深度网络的高度。本文提出了利用多任务学习的方法,将人脸关键点检测任务和人脸活动单元检测任务（AU）进行联合学习。利用两者特征之间相似的性质,设计多任务学习结构,使其相互学习,提升模型精度。在骨干网络的选取上,采用了轻量级网络Mobile Net,并在损失函数的设计上,采用了最新人脸关键点检测的损失函数Wing Loss。采用Image Net上的预训练模型作为迁移学习,以Resnet100骨干网络单独训练的人脸关键点模型为基准,然后为人脸活动单元数据集进行标注,并使用该数据集训练最终的多任务模型。最后,根据训练好的模型,设计了一个人脸关键点检测系统,用户可以通过这个系统,可以自己上传图片获取人脸关键点检测结果,也可以通过自己标注图片用于更新数据集,用来提升模型性能。人脸关键点检测系统的设计与实现,为普通用户提供了人工智能算法应用,使用户能更加方便的将算法添加到其他应用中使用。经过系统测试后证实该系统运行稳定、功能完善且无明显缺陷。