人脸在视觉交流中发挥了重要作用,人们可以通过观察人脸自动提取许多非语言信息,如人类的身份、意图和情感。在计算机视觉的所有人脸分析任务中,为了自动提取这些面部信息,人脸关键点检测通常都是一个必须且关键的步骤。因此,对于人脸分析任务来说,一个简单有效的人脸关键点检测算法是必不可少的。为了解决当前基于卷积神经网络的人脸关键点检测算法过于复杂的问题,提出了一种有效的基于生成式对抗网络的深度学习框架。网络由一个生成网络和两个判别网络组成。其中生成网络由一个编码器和两个解码器组成。编码器根据输入的人脸图像预测人脸关键点坐标,解码器根据预测的关键点生成人脸内部和轮廓几何特征图。判别网络判断输入的几何特征图是由真实关键点还是生成网络预测生成,返回残差对生成网络进行优化。通过不断的博弈训练,使最终生成网络可以预测出接近真实值的人脸关键点坐标。该网络模型是一种可以端到端训练的网络结构,在检测阶段只需要使用编码器部分作为人脸关键点检测器。对于模型训练中的数据增强问题,提出了一种在线难分样例挖掘算法,通过对训练集样本进行随机数据增强提高样本的多样性,设计了一种选择难分样例的策略,从增强数据集中选出最优的训练样本,提高网络模型对未知目标的泛化能力。通过与其它非约束场景下的人脸关键点检测算法进行对比实验,发现该方法在多个数据集上都具有符合预期的性能表现,并且模型较为简单,参数数量较少。但算法在极低光照、遮挡等极端环境下的检测效果仍有待提高。