人脸识别是当前热门的计算机科学研究领域。人脸图像对齐和人脸面部特征点定位是人脸识别中两个重要的步骤,也是具有挑战性的困难问题。人脸对齐技术通过寻求图像空间到一个标准人脸空间的变化来建立人脸语义特征之间的对应关系,消除或减小由于姿态、尺度、表情等变化所导致的外观改变,从而有效增强人脸识别系统的性能。本文提出一种新的被称为监督型Congealing技术的人脸对齐算法。Congealing技术是一种无监督图像对齐技术,通过搜索一组使未规整化图像熵最小的仿射变换来达到图像对齐的目的,但该方法没有利用人脸图像特征,也需要一个耗时的离线学习过程。本文通过向系统提供少量已规整化的图像来改进原始Congealing学习的上述问题。此外,我们将仿射变换参数的学习建立在眼睛位置基础上,使得所提算法能够在进行在线人脸规整化的同时学习人眼位置。在困难的Labeled Faces in the Wild人脸数据库上的实验表明,我们所提出规整化算法能够显著提高人脸识别算法的性能。主动形状模型作为一种非常流行的物体定位方法,在人脸面部特征点定位上也取得了很大的成功,但是传统的主动形状模型也存在着相当的局限性。首先,模型对初始化状态比较敏感,当目标特征点的初始位置和真实位置偏离较大时,算法很难最终正确收敛。其次,原始的局部纹理模型表达能力较弱,无法携带足够多的信息来描述特征点的模式。再次,主动形状模型需要满足图像与模型的残差满足高斯分布这一假定条件,而这个条件实际上往往并不成立。此外,对模型的形状控制力不足等弱点也限制了主动形状模型的准确性。本文在实验的基础上做了大量工作,对原始的主动形状模型进行了一些的改进。具体而言,我们优化了模型的初始化状态,改进了局部纹理模型,并去除了图像与模型的残差满足高斯分布这个不必要的假定。实验表明,改进后的模型较好的提高了算法的准确度。