人脸图像生物识别技术一直是人工智能、机器视觉,模式识别领域研究的热门话题之一,其主要由人脸的检测,人脸面部特征点的定位,人脸的姿态识别,表情的分析,不同的人脸之间的合成,人脸识别技术及活体检测和人脸动画等研究内容组成。在人脸识别的应用中人脸检测和人脸面部特征点定位是基础,也是后续识别技术的关键之所在。影响人脸特征点定位的因素主要有外部环境如光照、遮挡和人脸不同的姿态和丰富的表情,这些因素给人脸特征点定位带来了极大的挑战,也是人脸技术在实际工程中迫切需要解决的问题。近年来,由于深度学习在图像方面具有较强的表征能力,因此被大家广泛应用。首先,本文引入了卷积神经网络,主要目的是用来对人脸图片的特征提取。通过使用人脸检测器对图片进行人脸检测,把检测到的人脸图片裁剪并缩放到卷积神经网络输入所需的图片尺寸大小,再把被裁剪的人脸图片放入网络中对人脸进行特征提取。特征提取的网络模型是事先训练好的,深度学习的模型训练需要大量的、干净的人脸图片,而通常公开数据集或者网络上抓取的图片会带有一些噪声,这将极大的影响模型训练的结果。本文通过对传统聚类算法的研究提出一种基于大规模的人脸图片的提纯算法,能够有效的对人脸训练数据去噪,在一定程度上改善了人脸特征提取模型的准确度。其次,本文使用高斯混合模型对提取特征的人脸图片进行自动的人脸对齐。该方法主要利用人脸图片的深度特征对图片进行聚类,这样能够把不同的头部姿态及表情的人脸图片聚成不同的类别,完成了训练样本的姿态自动分类。然后按照不同类别的人脸图片构建人脸特征矩阵,本文把人脸特征矩阵和对应的预测的人脸特征点建立一种映射关系,通过最小二乘法计算这种映射矩阵,然后通过映射矩阵对输入的人脸图片预测人脸特征点位置。