近年来,在人工智能、虚拟现实等新技术浪潮下,虚拟数字人技术正在得到越来越多的关注。其中,人脸动作重定向是虚拟数字人技术的重要组成部分,目标是从普通RGB人脸图像中捕捉人脸的动作（人脸表情与头部旋转姿势）,并重定向到其他定制化的3D角色人脸上。该任务通常被建模为三维人脸重建问题,通过估计3DMM人脸模型的身份、表情、头部旋转系数等进行三维人脸重建,然后将最终估计的表情系数和头部旋转系数重定向到目标3D角色上。目前,基于三维人脸重建的人脸动作重定向技术面临着以下挑战。第一个重要挑战是当前缺乏一套同时具有语义表情模型和纹理模型的高质量3DMM人脸模型,难以利用现实世界丰富图像数据进行自监督训练来提升模型泛化性能。第二个重要挑战是由于3DMM人脸模型的身份属性和表情属性没有完全解耦,导致当前的方法对人脸表情的估计准确度不够高,影响了人脸动作重定向的效果。为了解决上述第一个挑战,本文提出构建一个同时具有语义表情模型和纹理模型的高质量语义3DMM人脸模型。基于此3DMM人脸模型,本文提出了一个自监督人脸动作重定向算法,以充分利用丰富的图像信息,通过多项自监督损失函数进行训练。为了评估人脸表情拟合的准确度,本文还收集和构造了一个表情评估测试集。在基准数据集上的大量实验证明,本文提出的自监督人脸动作重定向算法取得了较好的三维人脸重建性能和人脸动作估计性能。为了解决上述第二个挑战,本文探索利用视频序列中同一个人的多帧视频帧信息,提出一个简单有效的身份一致性约束,通过从同一个人多个视频帧中学习一致且准确的人脸身份,来提高表情估计性能。此外,本文还提出一个表情互斥约束来抑制互斥表情单元的同时出现,以进一步促进人脸表情的准确估计。在人脸动作重定向和三维人脸重建的基准数据集上的大量实验证明了本文所提方法相对于其他最先进方法的优越性。