由于自然场景或者无约束条件下人脸表情、头部姿势夸张,光照条件的差异和部分遮挡的存在,人脸对齐问题仍然面临着巨大的挑战,因此一种高效、精确的人脸对齐算法,才能更好的满足我们的要求。本文主要从多尺度特征的角度出发,通过对特征的提取和融合来提取更多的有效特征信息的同时捕获特征之间的关联,通过对特征关联信息的建模来增强人脸形状约束,从而提升算法在遮挡、光照、背景模糊等复杂场景下的鲁棒性。针对传统沙漏网络每一层使用单一感受野来提取特征会缺乏对关键点整体和局部关联信息描述的问题,提出了新型残差沙漏网络(NRHG),主要通过增加新的卷积分支来增加网络的感受野以更好的提取到不同尺度下的特征信息,同时针对网络不同层相应调整新增卷积分支感受野大小来平衡feature map分辨率和感受野之间的关系,在更好的保留了从局部到整体的结构化信息的同时,突出了网络对局部细节特征信息的描述,通过大量的实验也验证了新型残差沙漏网络对比传统的沙漏网络的实验效果有一定的提升。针对自然场景或无约束场景下头部姿势大,表情夸张,部分遮挡和光照的变化等情形对人脸对齐任务带来的挑战,提出了混合注意力模型(MAtt),通过将注意力模块与沙漏网络不同层次的特征相结合来捕获特征之间的关联信息,然后对关联信息建模来增强人脸形状约束,以达到更好的人脸对齐效果。通过将沙漏网络和注意力模块以不同的方式结合,进一步将混合注意力分成两部分,全局注意力和局部注意力,前者注重整个人脸特征信息的描述,后者主要增强局部特征的表达,这也使得整个模型不管是从局部显着区域还是全局语义一致空间都有不同的关注度。另外通过增加人脸姿态预测模块(Hpp),再结合样本对应类别,重新定义损失函数,有助于处理数据不平衡问题,同时进一步提升关键点定位精度。结合上述提出的几个关键模块,本文实现了一个基于多尺度特征提取和融合的人脸对齐算法,通过在不同的数据集进行了大量的实验,并进行了统计和分析,验证了该算法的可行性。