人脸信息在身份识别、头部姿态估计、头部追踪、情感分析、年龄估计、性别检测等方面都有重要的作用。与指纹、虹膜等生物信息相比,人脸信息具有非接触性、隐蔽性等特点,在隐蔽侦查、公共区域安防等领域拥有天然优势。近些年来,移动互联网技术高速发展,将人脸信息处理技术部署到移动平台上已成趋势。移动终端在成像稳定度、计算资源、内存容量、存储空间以及功耗散热上都存在着诸多限制,制约了已有算法的部署。针对上述问题,本文主要从人脸对齐、人脸识别以及面部特征表示等研究与应用角度出发,深入地从算法层面研究如何将相关技术做快、做准、做小。本文的主要工作如下:(1)在人脸对齐方面,针对监督下降法(Supervised Descend Method,SDM)存在鲁棒性不够、模型冗余度大的缺点,本文首次将仿射变换引入人脸对齐领域,提出了仿射参数回归(Affine-Transformation Parameters Regression,APR),该策略与点偏移量回归(Key Points Regression,KPR)策略相结合,在训练时间、鲁棒性、模型体积和预测速度方面都表现出了优异的性能,能够满足手机端的应用。(2)针对当前在人脸识别领域常用的深度卷积网络,提出了基于标签的误差函数(Label-Based Loss Function,LB-Loss)与基于特征的误差函数(Feature-Based Loss Function,FB-Loss)两个新概念,从而提出了一种包含逐层预训练过程和微调过程的全新训练框架,该框架能够高效地训练任意深度的卷积网络,使得科研人员针对移动端应用定制并快速训练网络。(3)将前面两项工作结合起来,实现了一个基于深度卷积网络的人脸识别系统,网络模型体积仅为5MB左右,在LFW国际数据集上取得了98%的人脸验证精度,在实际人脸识别任务中也表现出了优秀的性能,非常适合在手机移动端上部署。(4)在特征提取方面,针对传统人工均值特征提取模板(Average of Synthetic Exact Filters,ASEF)滤波器算法简单、实时性高但鲁棒性差的特点,提出了更为有效的特征利用方法。该方法在人眼定位的应用中保持了ASEF训练快、预测快、体积小的特点,同时在精度和鲁棒性方面较ASEF有明显提高,在存在遮挡的样本上也表现出了很好的性能。