自动人脸关键点检测是在涉及面部识别或分析的任何任务之前的非常重要的步骤。这些关键点,也称为基准点或锚点,用于准确识别人脸,并对即将进行的分析产生重大影响。深度学习技术极大地提高了人脸对齐算法的性能。然而,由于人脸的多样性和数据的缺乏,在不受约束的情况下,例如大的头部姿势、夸张的表情和不均匀的照明等情况,该任务仍然没有完美的解决办法。为了应对这些复杂的情况,本文探索了两种不同的解决方案。一方面,本文构建了一种可以实时部署的低延迟的实用面部对齐工具。另一方面,本文提供了一种提取面部结构信息的方法,以便在野外条件下保持鲁棒性。对于实用模型,本文设计了一个两分支模型,每个分支处理数据集中的不同样本。由于其在现实世界中的简单性和高频率,两个分支之一将正面图像作为输入。因此,本文将该分支称为“简单分支”。另一个分支应该处理困难样本,即侧面脸部图像,这些图像在数据集中很少遇到并且很难推断出它们的脸部界标。实验表明,该模型设计在使用时可以实现低延迟并保持良好的性能。对于结构提取,本文创造性地引入了一种新的基于热图回归的结构注入式面部对齐算法,该算法通过将关键点热图“传播”到边界热图来提供结构信息,以便进一步生成注意力图。此外,本文提出了焦翼损失,用于挖掘和强调野外条件下的困难样本。最后,本文从其他领域采用CoordConv和抗锯齿CNN之类的方法来解决人脸对齐卷积神经网络的平移可变性问题。