三维人脸模型在人脸识别、AR/VR技术、游戏动画、医疗美容等领域中的需求日益增多。三维人脸重建任务的目的是从二维人脸图像中能够恢复出近似于真实人脸的三维人脸模型,尽可能拥有逼真效果以符合现实需要被广泛应用。三维人脸重建已取得了一些研究成果,但在重建效果方面仍然有诸多问题亟需解决,包括自然场景下的无约束人脸重建问题,其中大姿态、夸张表情、遮挡以及光照不足等常见复杂情况会使得人脸中有不可见的区域。本文旨在提出新的方法解决该问题,有效提升无约束人脸的重建效果。考虑到深度学习中卷积神经网络对于图像处理的优越性能,其出色的特征提取能力和非线性表达能力都有助于对二维人脸图像实现三维人脸重建。因此,本文提出了新的深度学习模型以解决自然场景下无约束人脸的三维重建问题。本文的主要工作如下:1.基于经典的三维形变模型(3D Morphable Model,3DMM)和已有的公开人脸数据库,本文使用融合了人脸形状和表情的三维形变模型。目的是通过卷积神经网络回归得到由形状系数、表情系数、姿态系数组成的模型参数后拟合该三维形变模型,重建出用网格表示的与输入二维人脸图像对应的三维人脸模型。2.为了充分挖掘人脸的表观信息和几何结构信息,并能够学习到不同个体间的人脸差异性信息,本文采用人脸属性分解的思想,提出属性分解学习网络。在提取到人脸的整体信息后,通过三条分支网络将人脸属性分解为形状、表情和姿态三部分,各自分别独立学习更深层次的对应属性特征。通过该网络回归得到人脸语义信息中各属性更具体的特征信息,重建出更具有真实感的三维人脸模型。3.考虑对网络进行整体优化,以学习到更准确的人脸语义信息。在引入各人脸属性相应损失函数对三条分支网络进行优化的基础上,引入稀疏的人脸关键点作为约束对人脸的边缘特征进行优化,完善人脸重要部位几何结构的重建效果,进而提升三维人脸模型整体重建结果的准确性。4.基于本文所提出的属性分解学习网络三维人脸重建算法,设计实现一个方便快捷的三维人脸重建系统,可实现三维人脸重建和人脸关键点对齐等主要功能。