图像特征点定位,尤其是人脸特征点定位是计算机视觉中的一个热点问题,是解决许多更高层视觉问题如身份识别,图像分类,姿态估计等的基础。近几年,许多基于浅层机器学习模型如支持向量机,线性回归,随机森林等的定位算法在定位精度以及效率上都取得了突破性的进展,使得特征点定位技术进入实用阶段,但是自然环境受姿态、表情、遮挡,人脸特征点定位依旧是一个难点。深度学习(Deep Learning)作为最近机器学习、人工智能领域最热门的课题之一,已在解决文本、语音、图像相关的许多问题上取得了惊人的成果。其中卷积神经网络(CNN)尤其适用于解决图像相关问题,已被广泛应用于解决图像分类、人脸识别、物体检测等领域。因此使用深度学习解决将会是解决自然环境下人脸特征点定位问题的一个有效途径。本文首先对代表性非深度学习特征点定位方法进行综述,并且对一种高效准确的基于回归的定位算法SDM提出三点改进,包括:1)多尺度的特征提取方式;2)全局到局部的回归模式;3)惩罚正则项。并通过实验在LFPW,300-W等自然环境下的人脸数据集上证明改进能有效提高原SDM方法的定位准确度。然后本文将研究使用卷积神经网络处理特征点定位问题,并结合迁移学习的概念,通过使用5点定位的CNN模型初始化多点定位网络。最后本文对传统机器学习特征点定位算法与深度学习定位方法进行分析比较,总结深度学习方法在特征点定位问题上的优势与不足。