人脸面部活动单元检测与分析是计算机视觉与人工智能研究领域的一个重要问题。人类的面部作为人类身体部位上传达信息最为丰富的区域,一直以来都是研究的重点,通过对人脸各个活动单元传达信息的分析挖掘,得出的有效信息在智能安防、智能教育、智能医疗、人机交互等领域都有着极高应用价值。人脸面部活动单元的检测与分析存在着一些共性关键问题,例如:不同光照和姿态变化造成的宏表情识别不佳、微表情的细微特征难以提取、人脸活体检测中真实人脸与伪造人脸的区别特征难以度量等。针对上述问题,提出相应的算法与模型。本文的主要研究内容如下:（1）针对真实场景下,不同光照和姿态变化带来的宏表情识别不佳问题,提出了一种基于残差定位网络的宏表情识别方法,将残差模块和人脸关键点定位学习模块相结合,增强了模型对背景和姿态干扰的适应性,有效改善了相关场景下的宏表情识别效果。同时针对训练模型大与推理时间慢等问题,借鉴了轻量化网络的设计思路,提出了一种基于轻量流式网络的宏表情识别方法,以较小的计算代价和训练时间完成一个可用于宏表情识别的轻量模型,有效平衡了准确率和训练时间之间的关系。（2）针对微表情运动动作强度低、持续时间短,导致无法提取有效微表情特征的问题,提出了一种基于动作放大和光流估计网络的微表情识别方法。该方法首先抽取微表情片段中的起始帧和峰值帧进行人脸对齐和裁剪,然后将起始帧和峰值帧输入基于学习的动作放大网络进行动作放大,接着将起始帧和动作放大后的峰值帧输入光流估计网络得到光流特征图,最后将光流特征图输入骨干网络得到最终分类结果。该方法在三个经典微表情数据集上进行了CDE实验和HDE实验,有效验证了动作放大和光流估计相结合的方法能够提取更具判别力和语义性的微表情特征。（3）针对普通卷积无法提取到有效表征并区分真实人脸和伪造人脸特征的问题,提出了一种基于中心差分卷积和注意力机制的深度监督活体检测方法。该方法首先通过PRNet模型生成相应的人脸深度图作为辅助信息,然后利用融合人工描述符和卷积神经网络的中心差分卷积搭建了一个基于残差的中心差分卷积网络,接着对人脸深度进行像素级的监督估计,最后将预测深度图的平均值作为最终的判别结果。提出的方法能更好地描述真实人脸和伪造人脸之间的细微特征差别,有效提高了分类结果的准确性。