人脸特征点定位就是在一副包含人脸的图像中定位出预定义的面部形状点的过程。对视频图像序列中的人脸进行特征点定位相比于静态图像更具有难度，同时应用前景也更加广泛。目前，有许多人脸特征点定位的方法被提出并取得了成功。但很多方法需要一个非常良好的初始化，并且通常依赖于离线训练的静态模型，这在应用到视频图像序列时将会限制其性能。除此之外，大部分特征点定位方法都无法很好地定位有形变和多姿态的人脸。针对以上缺点，本文提出在预先训练好的静态模型中加入能表征每一帧图像中人脸形状的特征点的位置信息，并以此来修正静态模型所确定的初始形状，算法以主动形状模型作为理论基础。　　对于多形变人脸序列，由于脸部形变主要由眼睛和嘴巴的一系列动作组成，因此本文提出以左右眼球和左右嘴角以及上下嘴唇的中心为多形变点，并采用大位移光流跟踪来获取其位置，然后利用它们的位置以及预先训练的静态模型来为每一帧图像中的人脸建立初始形状，这样不仅克服了不好的初始形状带来的局部最优问题，同时由于人脸形变的渐变性，获取多形变点的位置时也可以有效利用视频帧之间的连续性。　　对于多姿态人脸序列，由于涉及到不同姿态的人脸，因此本文首先用一种对姿态鲁棒的人脸检测算法来确定人脸的位置。为了获取人脸的姿态信息，本文根据两眼中心以及鼻尖的相对位置来建立模型并判断人脸在三个自由度上的运动。同时，为了对不同姿态下人脸的轮廓形状建模，提出了对左右太阳穴位置估计的方法。然后利用人脸的轮廓形状以及多形变点的跟踪位置来修正静态模型，这样可以实现对偏转角度接近90°的人脸进行准确的特征点定位。　　最后，通过在大量测试视频上的实验以及与其他特征点定位算法的横向比较，本文所提出的算法在多形变和多姿态的人脸序列上均具有较高的特征点定位准确率以及鲁棒性，同时也没有降低自然表情和姿态下的定位精度，因此具有较高的应用前景。