人脸特征点检测旨在定位人脸图像上预定义的语义特征点的位置,这些特征点为人脸提供了丰富的语义描述,同时去除了原始图片中的无关信息,因此在人脸验证等多种相关研究中起重要作用。在人脸特征点检测研究中,全卷积神经网络由于具有浅层特征与深层特征的融合而使其特征中保留了较多的底层空间信息,有利于改善特征点检测算法性能表现,因此成为最近几年的研究热点。然而,在非限定情况下,人脸存在姿态、表情、尺度等各种变化,给人脸特征点检测算法带来了巨大的挑战。本文在全卷积神经网络架构基础上,致力于非限定情况下的人脸特征点检测。本文针对这些问题,分别从任务的分级和简化、全卷积神经网络架构优化、人脸特征判别性增强等三方面展开研究,主要工作和贡献如下:1、我们提出了基于沙漏网络的级联沙漏网络结构,该方法采用级联设计,通过数据增强生成概念上不同粒度的训练数据,分别训练各级网络,使得各级网络分别学习到不同层次的特征,多级之间有更好的协同。2、我们从理论和实际两方面指出了以往的全卷积神经网络人脸特征点检测架构的缺陷,即训练和测试评判准则不一致的问题。针对该问题在训练过程中不同阶段具有不同的影响的特性,我们提出了同时优化残差项和交叉熵的方法。在当前的公开数据集300-W上,本文的算法取得了超过以往方法的性能。3、我们研究了在人脸特征点检测中应用判别性学习的可能性和方法,并提出了基于特征局部约束的人脸特征点检测算法。该方法针对非限定情况下人脸图像特性存在较大变化的特点,先通过对齐消除尺度、姿态等对特征不变性的影响,并增加不同人脸图像上相同人脸特征点的局部特征相似性约束,增强了具有相同语义的人脸部件特征的不变性,从而改善人脸特征点检测算法的性能表现。最后,本文实现了基于人脸特征点检测的人证验证应用。