人脸特征点定位是人脸识别、表情识别等人脸分析任务中必不可少的步骤。本文提出基于集成卷积网络的68点定位算法和基于集成自编码网络的5点定位算法,主要内容如下:改进图像分类网络AlexNet,得到用于68点定位的卷积神经网络FineAlexNet。考虑到并行集成多个独立的学习器会提升整个算法的性能,设计了一个参数较少、用于68点定位的卷积神经网络ShortNet。两个网络都无需给定初始形状、也不需要人工设计特征,就能从图像中自学习出稳定的特征以及特征与形状的关系。将ShortNet与FineAlexNet并行集成,两个网络可以同时训练和测试,不仅节省了时间成本,而且实验表明,该算法能够得到更加准确的定位结果。在生成68点定位样本时,为了增强模型对包含遮挡和大姿态的困难图像的稳定性,对人脸图像添加了墨镜遮挡和随机遮挡,还对原始图像做了旋转;为了减少检测框的位置对算法的影响,在平移检测框后,截取人脸图像。以上预处理方式不仅增强了算法的稳定性,还增加了样本的数目。针对5点定位问题,本文提出初始自编码、自编码回归器和串行集成自编码的定位算法。初始自编码能够从人脸图像中学习出初始形状,比人工设定的初始形状更适合图像。自编码回归器能够从图像的局部特征中抽象出高级局部特征,进而回归出更准确的形状差异。串行集成自编码的定位算法是从初始自编码得到的初始形状出发,利用串行集成的多个自编码回归器,迭代调整形状、逐步逼近真实形状。对提出的算法进行了实现和评估,验证了算法的准确性和稳定性。本文算法在对LFPW、HELEN和300-W数据集的图像做定位时,按照内瞳距离计算的定位误差为5.41%、5.34%和 6.34%,在 Challenging Subset 上仅为 10.31%,比一些经典算法准确,验证了算法的准确性和对困难图像的稳定性;按照双眼距离计算的定位误差为3.91%、3.84%和4.56%;按照检测框对角距离计算的定位误差为1.25%、1.26%和1.43%,与DAN-Menpo算法相近。在对CelebA数据集的图像做定位时,按照内瞳距离计算的定位误差从6.66%逐步降至2.18%。