随着人工智能技术的发展,孤独症评估方式也悄然发生着改变。传统的问卷量表评估方法,缺乏客观量化的评价指标而依赖于临床治疗师的专业经验。不仅需要培训专业的观察人员,经历复杂的评估过程,还有可能因此错过干预的最佳时间。因此,越来越多的研究致力于探索智能化的评估方法。智能化评估方法,旨在通过计算机视觉技术感知被试的行为状态,如利用计算机视觉相关技术对被试的头部姿态、表情进行感知,进而达到分析孤独症应答性共同注意和应答性社交微笑的效果。尽管现有的方法在实验室场景取得不错的表现,但在自然场景下仍存在一些挑战亟待解决,如光照、遮挡等干扰因素,以及轻量化的神经网络模型容易出现过拟合的问题。多任务学习是深度学习领域的一个研究热点,它能够有效缓解轻量化模型的过拟合问题,并提高泛化能力。基于以上,本文提出一种基于多任务学习方法,通过其中的头部姿态估计和人脸表情识别来自动获取对孤独症儿童的应答性共同注意和应答性社交微笑的量化评估,进而完成孤独症儿童社交技巧的智能化评估。本文的主要研究内容有和工作有:(1)多任务学习特点研究。通过研究多任务学习的特点,来论证其对于人脸相关任务学习的有效性。(2)通过人脸检测、标签离散化等多种图像预处理方法,有效降低了无关因素对头部姿态估计和人脸表情识别的影响,有效提升了算法模型的鲁棒性。(3)提出一种基于多任务学习的深度学习算法,通过在MTCNN经典网络结构后增加全连接层的方式来改进原有模型,来达到同时实现头部姿态估计和人脸表情识别的功能。(4)将提出的深度学习算法应用至孤独症儿童社交技巧的智能化评估中,实时获取被评估者的头部姿态角度和面部表情识别结果,并将结果与临床评估专家的判断做出比较,证明了算法对于孤独症儿童早期社交技巧的评估具有良好的效果。