颅骨面貌复原领域中,面部特征点软组织厚度的获取是一个十分重要的步骤。目前颅骨面部特征点处的软组织厚度的获取主要是通过先进的医疗设备和专业的医护人员进行相应的配合得以实现,但是这种方法存在一个很大的缺陷即对于骸骨则无法进行面部厚度测量。近年来广泛的做法是采用平均值法,但由于未考虑骸骨之间的差异性,使得复原的面貌具有相似性。本论文采用深度学习方法,通过网络中隐含层构成的非线性映射,学习头骨和面貌之间的相互关系及特征,从而实现根据遗骸本身特性预测出一名未知身份的人的面部软组织处的厚度,继而解决了根据颅骨直接预测面型这一难题。本论文主要分为以下两个部分:1、提出了基于反馈神经网络的面部软组织厚度预测。在给出面部特征点处的软组织厚度均值这一先验项的情况下,通过学习成年人的颅骨表面特征点和相应的颅骨面部特征点的三维空间坐标[27]的映射关系,从而较好的解决预测骸骨面部特征点处的软组织厚度这一难题。该模型以颅骨和面部表面特征点处的三维空间坐标作为模型的输入输出。实验结果表明,本文提出的方法所预测的误差均值有38个面部特征点处的软组织厚度都小于1mm,满足临床需求。此外,将本文提出的方法和Dinh等人提出的方法进行对比分析,结果表明,本文提出的方法在面部特征点处的软组织厚度预测方面更精准。2、提出了基于跳层连接的深度卷积编解码器端到端面部软组织厚度预测。实验过程中,根据本论文提出基于先验值和UM的自适应局部阈值分割,对1447位实验者的颅骨CT扫描数据进行颅骨和面部的自适应局部阈值分割得到相应的三维图,然后根据柱面投影原理将三维体数据映射为二维高程图数据,将生成的二维颅骨和面部高程图作为网络的输入输出,接着将预测的面部高程图通过反投影可视化的方法以及二维、三维热图方法进行误差对比分析,同时将该方法预测出的特征点处的软组织厚度同BP反馈神经网络的预测结果和目前最新预测结果数据进行对比分析,验证了采用深度卷积编解码器进行软组织厚度预测充分考虑了面部点的空间特性,弥补了稀疏特征点带来的误差,使得预测结果更加精准。另外,又通过峰值信噪比（PSNR）和结构相似性（SSIM）两项评价指标对不同网络之间和不同的预测尺寸之间进行比较分析,选取了最优的训练模型。