近年来,如何提高优化人脸特征点检测技术已经成为了人脸识别技术领域中的研究热点。许多研究学者相继提出了一些用于求解各种类型的人脸识别问题的人脸特征点检测算法。但在复杂环境下,例如姿势不同、光照条件、以及遮挡因素等,传统的人脸特征点检测算法的精度会出现大幅度下降。本文在全面介绍特征点检测的理论知识以及研究现状的基础上,主要研究如何应用卷积神经网络技术设计出有效的人脸特征点检测算法。本论文的主要研究工作如下:(1)针对传统卷积神经网络模型在处理人脸特征点检测问题的不足之处,提出基于小滤波器的深卷积神经网络(DCNNSF)。该算法引入小滤波器思想和以拓展“网络深度”为优先的深层卷积神经网络模型,针对人脸特征点检测重新设计训练,以提高算法的有效性与适用性。本文将所提到算法DCNNSF用于在ALFW和AFW人脸数据集上预测5点人脸特征点问题,并与其他多个经典算法进行对比分析,实验结果表明:基于小滤波器的深卷积神经网络DCNNSF在预测人脸5点特征点问题上有很好的准确性和鲁棒性。(2)针对单个卷积神经网络模型在处理多特征点检测问题上的不足,本文在原有的DCNNSF基础上,提出一种从整体到局部检测的级联卷积神经网络模型DCNNSF-CFC。DCNNSF-CFC算法将人脸68个特征点检测问题分为预测外部轮廓点与人脸内部特征点的检测问题,并对人脸内部特征点进一步的分类为各个面部组件(左右眉毛、左右眼、鼻子、嘴巴),这种从整体到局部的预测方法能够有效预测68点人脸特征点检测问题。本文将算法DCNNSF-CFC同其他七个代表性经典算法在LFPW、Helen、AFW无约束人脸数据库中进行了实验对比分析,结果表明:本文提出的算法DCNNSF-CFC比起大部分经典算法有更高的精确度。总之,本论文主要针对不同特征点检测问题,应用卷积神经网络的方法,提出两个有效的解决方法,相比于传统人脸关键点检测算法,本文提出的算法在精度上有较大的提升。这些工作在一定程度上促进了卷积神经网络在人脸对齐工作上的深入研究。