随着计算机视觉和模式识别领域的不断发展，人脸识别研究受到了越来越多的关注。对人脸识别而言，人脸特征点定位至关重要。如何在图像中快速、准确地定位出人脸器官的特征点（如嘴角、鼻尖、眼球、下巴尖等）是人脸特征点定位算法的主要任务。到目前为止人脸特征点定位得到了广泛和深入的研究，取得了许多实用性较强的研究成果。但是由于受姿态、光照、表情以及遮挡等问题的影响，要实现鲁棒和快速的人脸特征点定位仍然存在较大的困难。在上述研究背景下，本文系统、深入地对人脸特征点定位问题进行了探讨，提出了一些有针对性的人脸特征点定位算法，取得了令人满意的研究成果。　　本文的主要研究工作及其创新点如下:　　1.利用概率随机森林和级联回归相结合的方法，提出了一种基于局部概率特征(Local Probability Features，LPF)的人脸特征点定位算法。随机森林是一种对数据具有强大泛化能力，对样本具有强大分类能力的决策方法，而级联回归则具有可稳步逼近回归目标真实值的功能。首先，利用训练样本的统计特性计算局部概率特征;然后，用局部概率特征来训练回归模型，使得预测结果逼近特征点的真实位置;之后，根据级联回归的思想将上述步骤重复一定的次数，使训练模型的输出结果更加逼近真实值;最后，利用均值融合的方法，给出人脸特征点的最终预测结果。实验结果表明，本文所提的算法较其他经典算法具有一定的优势，可以克服各种姿态、光照以及表情变化的不良影响。　　2.利用深度学习的相关研究成果，提出了一种基于分支结构的深度卷积神经网络（Deep Convolution Neural Network based on Branch Structure,DCNNBS），并将其与现有的经典分类网络+回归的方法相结合以实现对人脸特征点的定位。为了获得精准的特征点定位效果，本算法除了对人脸特征点采取整体预测外，还根据人脸器官的分布情况，将人脸区域划分为外围轮廓与内部特征点两个部分分别进行预测。此外，为了避免单一模型的不稳定性，多模型融合策略也被用于最终的决策中。实验结果表明，该算法性能稳定且适应性较强，在不同的人脸数据库上均取得了令人满意的定位效果。