人脸对齐技术能够直接定位出人脸特征点位置，是众多计算机视觉研究的一个重要预处理步骤，被广泛应用于人脸识别、人脸器官定位、人脸跟踪及3D卡通等领域。基于深度学习的技术已经成功渗入到人脸对齐领域，取得了优于多数传统算法的对齐效果，并随着深度学习技术的飞速发展而不断进步。为了进一步提高人脸对齐的精度及鲁棒性，本文基于深度学习的理论，研究了基于深度卷积神经网络的人脸对齐算法，主要研究工作如下：
　　（1）鉴于基于低层特征的人脸特征点对齐算法对表达复杂人脸特征能力的限制，本文借鉴VGGNet的网络设计模式和特点，设计了一个基于深度卷积神经网络的端对端人脸特征点对齐方法。该方法在网络结构上首先采用具有小尺寸卷积核的卷积层堆叠的设计模式，通过增加卷积神经网络隐含层的宽度形成对图像特征的完备描述，一定程度上克服了图像信息传递过程中的瓶颈；然后在每一个池化层后引入监督信号，增加了强规则化，从而帮助网络学习对特征点回归任务有效的隐层表示。该网络能够学习高维空间特征及直接预测人脸特征点的坐标位置。实验结果表明，该算法可以取得较优的人脸对齐效果。
　　（2）针对多数基于卷积神经网络的人脸对齐算法对人脸检测器依赖性较强、容易忽略不同任务间的内在关系而导致算法性能下降、人脸图像全局特征表达能力欠精细的问题，提出一种基于多任务级联卷积神经网络的从粗到精的人脸特征点对齐方法。该方法对不同任务间的相关性及人脸图像全局与局部特征间的关系进行探索。首先通过多任务卷积神经网络来同步预测人脸框及人脸特征点初始位置；然后建立两级基于局部人脸信息的单特征点映射模型，以逐级推进的方式对初始人脸特征点位置做微调处理，进一步修正特征点的位置。针对不同等级图像信息采用不同层级网络描述有利于提升人脸对齐精度。实验结果表明，该算法在鲁棒性和对齐精度两方面均优于常规方法。
　　本文从网络模型、人脸图像特征以及不同任务间的关系等方面提出了改进的人脸特征点对齐算法。实验结果表明，与经典的人脸对齐算法相比，新算法在人脸特征点对齐精度及鲁棒性两方面均取得了较优的效果。