在过去的十几年里,单幅人脸图像的三维重建技术在计算机视觉和图形学领域中获得了很多的关注,其中自编码体素网络由于其轻量级、端到端以及受到模型表达的限制较小的优势在近年来十分受欢迎。本文先是对单幅人脸图像三维重建的几种主要方法进行了较为详细的描述,接着对3DMM和VRN进行了重写复现和验证,然后本文从三个角度,即模型结构、引导项和损失函数形式分析了VRN的不足之处并对VRN进行了改进,最终均取得了超过baseline的结果。模型结构方面,本文叙述了Fish Net和MR-Net对U-Net改进的原理,说明了这两者相比较于VRN所采用的网络结构的优点,并借用这种方法对现有的自编码体素网络的结构进行了改进,给出了改进策略,并在实现后通过实验证明了这种改进是有效的。引导项方面,本文先是研究了自编码体素网络的引导项是如何对模型重建算法起作用的,描述了vrn-unguided的模型结构和算法流程,尝试使用了面部特征点预测网络的特征进行引导和面部姿态预测网络的特征进行引导两种方式,对自编码体素网络的利用面部特征点热度图进行引导的策略进行了改进,叙述了这种改进的原因并给出了算法流程和实验结果,最终通过实验验证了这两种改进确实有效。损失函数形式方面,本文借鉴Focal-Loss对交叉熵损失函数的改进策略,描述了Focal-loss相对比于传统的交叉熵损失函数的区别以及算法原理,在该章节中本文叙述了Focal-Loss相较于交叉熵损失函数的优势以及为什么对体素人脸三维重建适用,并根据此对自编码体素网络的损失函数进行了改进,给出了改进的理由和策略以及改进后损失函数的数学形式,最后在AFLW2000数据集和Florence数据集上给出了改进损失函数的超参数调优结果。