近年来,随着三维数字化产业的兴起,三维人脸重建成为了计算机视觉领域研究热点之一,吸引了越来越多研究者的关注。而基于单幅图像的三维人脸重建因其获取数据简单,建模容易的特点成为研究主流。传统的基于单幅图像的三维人脸重建模型存在重建精度低,建模成本高等问题。随着深度学习的发展与进步,基于深度学习的单幅图像三维人脸重建方法大大提升了重建的三维人脸的精度,在三维人脸重建任务中得到了广泛的应用。本文针对现有基于深度学习的单幅图像三维人脸重建模型中存在的一些问题,开展了相关研究,并提出了两种不同的三维人脸重建方法,有效提升了模型的性能。提出了一种基于特征和形状上下文信息融合的单幅图像三维人脸重建方法（CEDNet）。针对现有基于UV位置图进行三维人脸重建时对于上下文信息融合不够的问题,在重建三维人脸时,添加了面部特征上下文以及形状上下文之间的约束。具体地,该方法采用UV位置图来表征三维人脸形状,通过自动编解码网络分别对输入人脸图像提取特征并回归UV位置图。一方面,为了丰富编码器特征中的人脸信息和获取全局特征上下文相关性,在特征编码过程中,设计了特征上下文相关性调制器,对全局特征进行特征解析和关联,使得自动编码器输出的特征包含人脸上下文信息,从而使网络自适应地关注人脸区域的特征,提升重建三维人脸的全局形状的准确性。另一方面,为了得到更加精确的三维人脸形状,在面部形状层面,构建形状上下文向量,并利用形状上下文向量约束重建后的三维人脸,从而提升三维人脸重建精度。在AFLW2000-3D和AFLW-LPFA数据集上的NME结果分别达到了3.47%和2.83%,实验结果证明了提出方法的有效性和优越性。提出了一种基于人脸部件掩膜的自监督精细化三维人脸重建方法。针对现有三维人脸重建方法局部细节不准确的问题,利用人脸的部件掩膜约束提升局部细节的精度。具体地,利用部件掩膜生成器来生成人脸部件掩膜,在人脸形状损失约束,图片纹理一致性损失,图片深层特征感知损失等基本损失函数上,通过人脸部件掩膜,给予人脸区域精细化约束,并对人脸部件掩膜进行自监督约束,从而提高重建的三维人脸局部的准确性。在AFLW2000-3D和MICC Florence数据集上定性和定量的实验结果证明了提出方法的有效性和优越性。