人脸动画合成技术有着广泛的应用领域。为了方便、高效地合成人脸动画，需要建立低维的、直观的人脸表情参数空间，从而通过控制人脸表情参数来合成人脸动画。然而，人脸表情参数化技术面临着挑战，并成为高真实感人脸动画合成的瓶颈之一。　　 针对上述问题，本文研究人脸表情参数空间优化方法和工具，辅助动画师创作高质量人脸动画。本文对人脸表情参数提取方法、基于线性形状融合的人脸表情参数化方法以及基于非线性形状融合的人脸表情参数化方法开展具体研究，并取得了以下研究成果。　　 (1)提出了一种基于优化的人脸表情参数提取方法　　 已有方法通常采用两步法的思路从人脸表情捕获数据中提取表情参数。首先，计算头部绝对朝向，并将表情捕获数据从世界坐标系变换至人脸局部坐标系。然后，根据人脸局部坐标系下的人脸表情数据提取人脸表情参数。然而，上述方法会将计算绝对朝向产生的误差传递到人脸表情参数提取中，进而导致误差的累积和放大。　　 针对上述问题，本文提出了一种基于优化的人脸表情参数提取方法。在该方法中，我们同时优化计算头部绝对朝向和人脸表情参数，因而避免了已有方法存在的误差累积问题。实验结果表明，当本文方法应用于线性形状融合方法时，有效地提升了人脸动画合成精度和表情合成效率；当本文方法应用于非线性形状融合方法时，有效地提升了人脸表情合成精度。　　 (2)提出了一种人脸表情线性形状融合参数空间优化方法　　 线性形状融合方法被广泛应用于人脸动画合成中。这种方法需要以构造人脸表情线性形状融合参数空间为前提。但是，无论是手工方法还是自动方法，构造上述人脸表情参数空间都是件困难的事。一方面，手工构造上述参数空间非常困难。即使对于经验丰富的美术人员而言，也需要花费大量的时间为虚拟角色构造和完善人脸基本表情形状。另一方面，已有的人脸表情线性形状融合参数空间自动构造方法亦存在不足。基于物理的方法要求以精细的物理模型为基础，从而限制了这种方法的可用性。在基于主成分分析的方法中，得到的主成分通常不具有直观的视觉意义，因而不利于手工交互应用。人脸表情线性形状融合参数空间构造已成为高真实感人脸动画合成的瓶颈之一。　　 本文对基于线性形状融合的人脸表情参数化方法开展研究，提出了一种从人脸表情捕获数据中学习人脸基本表情形状的方法。我们将实例表情样本与合成表情之间的绝对误差作为优化目标，通过优化的方法寻找既能够合成真实人脸表情又具有良好视觉直观性的人脸基本表情形状。实验结果证明，相对于前人工作，本文方法能够显著提升人脸表情合成精度。另外，本文方法优化得到的人脸基本表情形状具有良好的视觉直观性。　　 (3)提出了一种人脸表情非线性形状融合参数空间优化方法　　 人脸是复杂的生理结构体，非线性是人脸表情的重要特征。基于线性形状融合的人脸表情参数化方法忽略了人脸表情的非线性特征，从而不可避免地造成了表情真实度的损失。采用非线性形状融合的方法合成人脸表情则可以避免上述缺陷。然而，目前鲜有工作研究如何构造人脸表情的非线性形状融合参数空间，这也被认为是人脸动画合成技术未被探索的课题之一。　　 本文对基于非线性形状融合的人脸表情参数化方法开展研究，提出了一种从实例表情样本中学习人脸表情非线性特征的方法。首先，我们对非线性融合函数进行定性分析，进而确定该函数的形式。然后，我们对非线性形状融合函数进行定量分析，从实例表情样本中学习能够合成高真实感人脸表情的、并且符合人脸表情非线性特征的形状融合函数。实验结果表明，相对于已有的基于非线性形状融合的人脸表情参数化方法，本文方法显著提升了人脸表情的合成精度，从而能够合成更具真实感的人脸动画。而且，本文方法优化得到的非线性形状融合函数能够更好地符合人脸表情非线性特征，具有良好的视觉直观性。