随着数字时代的到来,人的脸部特征信息被广泛应用于安防监控、医学成像和娱乐影音等行业中,三维人脸相对于二维人脸包含更丰富的信息,不受人脸姿态的影响,适用于不同场景。计算机视觉领域中人脸对齐和人脸重建是两个相关度较高的问题,常应用于同一个人脸相关的任务中,传统的人脸对齐模型在处理大姿态的人脸时效果并不理想,人脸重建模型也存在模型冗余度较高和精确度较低的问题。在深度学习发展促进下,这两方面的模型的性能不断改进提升,且可以在同一算法模型中实现两个任务。本文以卷积神经网络为基础,结合三维人脸重建和对齐的相关知识,针对现有模型的不足提出了改进:（1）提出了一种通过上采样网络和下采样网络构成的神经网络,设计了一个由密集卷积模块和过渡层组成的下采样网络从二维人脸图片中提取出特征图,将两种转置卷积结合作为上采样网络从提取的特征图中回归出三维人脸信息,该网络能有效提取二维人脸图片的特征且降低了模型的参数数量。（2）提出了一种加权损失函数,采用图像结构相似性函数作为损失函数的主体衡量预测的三维人脸信息和真实三维人脸信息的差异,并通过权重矩阵将训练的重点集中在人脸的关键部分。最后将两点改进结合构成本文的算法,在AFLW2000-3D数据集上的实验结果表明本文的所得出的算法模型对各姿态的人脸对齐和重建算法相比已有的算法在精度上都有所提升。