人脸配准是指在人脸检测的基础上准确定位面部关键点,是人脸图像分析的前提与关键。由于姿态、表情、遮挡、光照的影响,人脸配准仍然是一个挑战性的问题。基于级联回归的人脸配准模型近年来备受关注,主要因为它采用隐性的形状约束,受夸张表情,姿态变化等影响较小,在自然场景的数据库上取得比较好的定位精度。级联回归模型主要依赖两个方面：局部特征描述子能够很好的描述当前形状,和级联的弱回归器具有拟合复杂的非线性关系的能力。但是级联回归模型存在对初始化敏感、模型存储空间大、对遮挡不够鲁棒等问题。本文针对这些存在的问题,进行了较深入的研究,主要工作总结如下：提出了一种基于多姿态、多尺度、多部件的级联形状回归模型。首先,通过分姿态训练模型,降低每个子姿态数据集中姿态变化的方差,缩小初始形状与最终目标形状之间的距离,加速形状收敛的速度。其次,通过多尺度的迭代策略加快收敛速度,避免迭代过程中陷入局部极值。同时,采用多尺度的局部特征融入人脸的局部结构,使得特征的描述能力更强。最后,基于每个面部器官的形变情况进行多部件的细化回归进一步提高定位精度。该模型在300-W 2014人脸配准比赛中取得了较优异的成绩。提出了一种基于稀疏特征约束的级联形状回归模型。通过Lasso稀疏回归对特征进行选择,极大的压缩了模型的存储空间,使得级联形状回归模型更加适合在计算和存储性能有限的移动平台上运行。传统的Lasso问题的解法比较耗时,本文采用改进的ALM(Augmented Lagrange Multiplier)算法,加速了稀疏约束问题的求解。实验结果表明,该模型具有速度快、精度高、模型小等特点。提出了一种基于双稀疏约束的级联形状回归模型,除了进行稀疏特征表示之外,还引入了稀疏形状约束来增强模型的鲁棒性。包含两个迭代步骤：根据当前形状位置的稀疏特征进行形状更新；对更新的形状进行稀疏形状约束。稀疏特征选择能够增强局部特征的鲁棒性,稀疏形状约束可以有效的抑制形状更新过程中的噪声,加速形状收敛。其中稀疏约束问题的求解,均通过改进的ALM算法进行了加速。该模型在当前的自然场景数据库上均超越了当前主流的人脸配准方法,并显著改善了遮挡情况下人脸配准的性能。本文针对传统的级联回归模型对初始化敏感、模型存储空间大、对遮挡不够鲁棒等问题均提出了改进方法。大量实验结果表明,本文提出的模型在自然场景的人脸配准数据库上均取得了优越的性能,并超越了主流的人脸配准算法。