近年来,三维人脸重建在计算机视觉领域一直是热点研究课题,在安防、医疗、影视等领域也有着愈加广泛的应用。精确的三维人脸重建技术依靠三维扫描设备,或是通过双目相机等利用视差关系来重建人脸的三维结构。不论是扫描设备还是双目相机都具有成本高且重建速度较慢的缺点,从而在实际生活的应用中十分困难。而基于视觉算法的单幅图像三位人脸重建成本低且重建速度相对较快,因此,单幅图像三维人脸重建成为了领域内的研究重点之一。本文根据对重建人脸模型的速度和质量侧重点不同的应用场景,研究并实现了两种单幅图像粗糙三维人脸重建算法,提出了一种单幅图像稠密三维人脸重建算法。粗糙三维人脸重建适用于辅助人脸识别、表情迁移、人脸交换等应用,本文研究并实现了以下两种重建算法:（1）基于参数模型的单幅图像三维人脸重建。以参数模型3DMM系数为基础,使用卷积神经网络从输入单张人脸图中预测包含位置信息的UV位置图,通过UV位置图完成二维到三维的转换,建立三维人脸模型。（2）基于立体像素的单幅图像三维人脸重建。将三维人脸模型的密集点云降采样到二值化立体像素空间,以68人脸关键点为正则项,通过卷积神经网络从输入人脸图中直接预测立体像素信息,从而建立三维人脸立体像素模型。该两种算法在世界公开人脸数据集上与领域内其它算法相比均表现出更高的准确性,并在重建大幅度姿态人脸图像时表现出较好的鲁棒性。稠密三维人脸重建适用于整形医疗、3D电影等对人脸模型质量要求较高的应用。受图像风格转换任务的启发,本文提出基于生成式对抗网络的稠密三维人脸重建算法,即通过生成式对抗网络,从输入人脸图预测其对应的深度图,完成像素到像素的预测回归。同时通过卷积神经网络回归3DMM系数,建立深度3DMM。其后,将深度3DMM与深度图中的深度信息相结合,得到一个含有人脸皱纹等细节的稠密三维人脸模型。算法同时还将采用的训练数据集进行了数据增强,最后与领域内较为先进的重建算法进行了实验的对比分析。结果表明,该算法相比领域内重建算法,在重建大幅度姿态人脸图像时,鲁棒性更高。在完成算法研究工作之后,本文将上述算法模型在Windows端集成开发成软件系统,即单目三维人脸重建系统。本文设计了软件系统的总体框架,详细介绍了稠密三维人脸重建、立体像素三维人脸重建及视频流三维人脸重建的开发和操作流程,实现了对任意清晰可见人脸图片的三维重建。