人脸特征点检测作为人脸识别和分析的基础,受到了越来越广泛的关注。与传统算法相比,卷积神经网络在人脸特征点检测任务上获得了更高的精度。然而网络中密集的参数和庞大的计算量往往使其限制于GPU等计算平台。目前对实时的嵌入式人脸特征点检测的需求越来越大,因此需要对现有基于卷积神经网络的人脸特征点检测方法进行优化,以提高检测的精度和速度。本文设计了一种基于多任务学习的人脸特征点检测算法,利用24个高辨识度人脸属性作为辅助任务与特征点同时训练的方法,并通过统一卷积核尺寸、对较大的特征图使用步长为2的卷积取代池化等方法,极大提升了模型的效率。在训练时采用提前停止的方法大大提高了算法的检测精度,并通过减小学习率和仅微调网络的高层参数,降低提前停止带来的过拟合风险。此外,本文还完成了人脸特征点检测电路设计,包括地址产生器、二维卷积单元、缓存单元等关键模块,并在中芯国际40nm工艺下完成了综合与仿真,通过配置特征图大小减少无效数据的传输和计算,提高了电路的处理效率。最后基于FPGA开发板在100MHz频率下完成了人脸特征点检测系统的测试。实验结果表明,本文设计的人脸特征点检测算法在AFLW测试集的平均归一化误差为7.4%,比TCDCN算法减少了0.6个百分点,与MTCNN算法相比网络模型规模减小了2/3左右。本论文基于Miz702N FPGA开发板实现的人脸特征点检测系统经16位定点化处理后检测精度损失几乎可以忽略,速度达到26fps。本文的研究可为人脸特征点检测在智能机器人、手机等各类移动终端产品的应用提供参考方案。