三维人脸是一种不易受环境因素影响且具有准确人脸姿态以及空间信息的人脸表示形式。三维人脸数据需要通过RGB-D相机或高精度扫描仪获取。由于专业设备成本昂贵,导致三维人脸数据并不能同二维人脸图像一样通过日常的摄像头采集得到,因此基于单幅图像的三维人脸重建技术成为计算机视觉领域热门的研究课题。三维人脸重建技术的发展对于人脸识别、人脸关键点检测以及活体检测等应用具有重要的现实意义。本文的主要研究内容如下:提出了一个基于双路编解码网络的三维人脸形状重建算法。目前基于三维形变模型改进的深度学习方法无法有效地将表情属性与身份属性分解,导致重建后的三维人脸表情差别不明显。针对这一问题,本文在使用全局人脸学习个体特征之外,提出使用与表情变化相关的局部人脸学习表情特征,从而在有效地实现三维人脸形状重建的同时,加强人脸表情的呈现效果。提出了一个基于半监督迁移学习的三维人脸形状重建算法。由于不同三维扫描设备获取的三维点云在维度与排列方面存在差异,导致深度网络模型无法从中学习到有效信息。针对这一问题,本文将三维点云转换成适合卷积神经网络学习的深度图形式,从而在数据形式上拉近不同三维人脸域之间的差距。随后将合成的三维人脸数据集作为源域,将真实的三维人脸数据集作为目标域,通过图像级对齐和特征级对齐实现基于迁移学习的三维人脸形状重建;并使用半监督学习规范重建结果,提高三维人脸深度图的重建精度。提出了一个从大规模单图人脸三维重建数据中学习的跨域三维人脸识别算法。不同于二维人脸图像可以从网上获取,三维人脸数据的私密性以及较大的采集难度使得基于深度学习的三维人脸识别技术的发展遇到了瓶颈。针对这一问题,本文先使用合成的三维人脸数据集训练三维人脸识别模型。随后,本文结合实际应用场景从无源域数据域适配的角度出发,利用伪标签自动筛选和优化实现从合成的三维人脸源域到真实的三维人脸目标域的模型迁移,实现高准确率的三维人脸识别。