人脸关键点识别是标注图像中人脸的关键部位(如面颊轮廓、五官轮廓)的计算机视觉任务。通过人脸关键点的识别,可以获取到如人脸位置,脸部特征,表情,角度等多方位图像语义信息。该任务常被作先置任务应用于其它复杂的人脸视觉任务,因此准确而快速地获取人脸关键点信息的技术具有很高的应用价值。随着卷积神经网络结构的演进,图像上的人脸关键点识别的准确度问题已经得到了很好的解决。同时视频应用的兴起极大增加了人脸关键点实时检测的需求,然而在从图像处理到视频流处理的演变过程中产生了关键点抖动的问题,即在人脸平稳运动时,模型检测出的人脸关键点会出现不平滑的跳跃现象。这极大地影响了相关应用的用户体验。本文研究分析了现有技术在视频流中应用时出现抖动的各种可能原因,分析说明了为何现有图像测试集上准确性的提升无法直接转化为视频流上关键点序列的稳定性,从而引出了实时场景下,特殊的人脸关键点稳定化技术的必要性。针对分析出的抖动成因,我们创新地提出了平滑网格逆映射结合对抗训练的技术来解决该问题。实验证明,以上两种技术能够在几乎不影响识别准确度的前提下,有效地克服关键点抖动的问题。另外,鉴于已有的关于人脸关键点坐标序列的稳定性度量过度依赖于准确且稳定的关键点标注,本文还率先使用时序分析中的统计量近似熵来对其稳定性进行独立的量化评估,并定性论述了该度量与人眼直观感受的一致性。