三维人脸重建是计算机视觉的热门研究方向,一般可以通过深度摄像机实现重建。但是,深度摄像机成本高,如果能单目二维相机在无约束条件下,进行人脸重建,那么将降低成本,极大地推进人脸识别技术的应用,具有重要实际意义。然而,单目三维人脸重建存在如下问题,即三维人脸估计不稳定,导致同一个体的三维模型差异化较大,或者过于泛化。近年来,基于卷积神经网络实现的重建算法得到了重大发展,但是,通常需要消耗大量的运算资源,计算时间过长,难以在普通嵌入式计算平台上实现。本文针对上述问题,重点研究可适用于嵌入式系统应用的单目三维人脸重建技术。本文采用的神经网络加速芯片SPR2803S,具有低功耗、高性能的优势,能够在0.3W的功率下提供超过每秒2.8万亿次计算,在该芯片平台上通过一定的优化技巧,有望实现高效的深度学习应用。具体地,本文主要研究内容如下:（1）神经网络加速芯片SPR2803S虽然具有高性能,但特定网络结构不能直接在该平台运行。本文对于所采用的卷积神经网络模型,进行了深入研究,针对SPR2803S进行优化,在该平台上完成了该网络的定制化设计。（2）克服无约束条件下三维人脸数据集的不足,对丰富的二维图片数据集进行三维人脸形状和纹理参数转换,采用流行的卷积神经网络进行回归训练,提升了参数估计准确率。测试结果表明:在3D根均方误差上与以前相比从1.75下降到1.57,在LFW上的人脸识别率,从72.25%提高到92.35%。（3）优化损失函数,引用不对称的欧几里德损失函数,消除平均面形状的误差。（4）在不影响运行效率的前提下,对卷积神经网络模型进行压缩,以适配嵌入式系统相对较小的内存,避免了识别率的明显下降。经过测试,压缩后的算法3D根均方误差上升了0.04,识别率下降了1%,但模型大小缩小了47%,而且运算时间从11s缩小为200ms,有效提高了建模效率。本文所设计的嵌入式系统能够实现低功耗、高性能和高精度的三维人脸建模,具有较强的应用价值。