在计算机视觉研究领域中，对人脸进行描述和编码一直都是一个很受关注的研究课题，人脸图像的描述与编码有着广泛的作用，是许多其它的人脸图像研究工作的前提。人脸是由不同的眼睛、鼻子、嘴、下巴等部件构成．这些部件形状和大小的差异使每个人脸都不同。在人脸图像中，由于器官分布的复杂性以及不同人、不同姿态、不同表情的变化的影响，基于2D图像统计分析基础上的ASM与AAM模型均能在器官定位中达到较好的效果。 首先介绍了研究人脸图像的描述与方法，分析了这个领域的研究背景、意义． 接着讨论了计算机视觉中的统计模型的概念、特点以及它在处理柔性物体图像解释方面的优势。 然后研究了基于统计方法的带参数ASM模型的建模过程。主动形状模型是一种基于统计模型的图像搜索方法，通过对具有一定代表性的同一类目标物体图像进行统计来进行建模。从而得到反应目标物体图像二维形状变化规律的形状统计模型，以及反映特征点局部区域的灰度变化规律的局部纹理模型。在目标搜索过程中利用先验知识进行模型初始定位，然后利用局部纹理模型进行特征点搜索，并利用形状模型对形状进行合理近似以调整。 其次针对ASM的不足，在ASM的基础上，用一种基于形状评价的加权主动形状模型(Weighted-ASM或WASM)。在基于局部纹理模型的基础上定义了一种形状评价函数，它衡量搜索得到的形状与训练数据的匹配程度。 然后针对ASM不足，用主动表观模型(AAM)来进行人脸图像描述与编码的方法，不仅对形状进行建模，同时又建立了反映目标物体灰度变化的纹理模型。并将纹理模型与形状模型合理地结合起来，建立起了反应整个目标图像形状及纹理共同合理变化的统计表观模型。该方法采用了基于优化算法的搜索机制，使合成的模型与目标图像不断接近，最终得到能够反应目标图像纹理及形状的合成模型。 最后对人脸图像描述与编码的研究进行了总结，基于统计分析基础上的ASM和AAM都在人脸描述中取得较好的效果。ASM利用形状和特征点附近的局部灰度信息。AAM包含了形状和脸部patch区域的纹理信息。 ASM最后只能得到图像的形状信息。AAM可以得到形状和纹理信息。ASM沿profile试图找到每个特征点的最佳位置。AAM通过改变模型参数达到向量之间的差值最小。