人脸关键点检测和三维人脸重建是计算机视觉领域的研究热点,然而在大姿态或遮挡情况时,会出现建模不稳定以及定位不准确的困境。本文主要使用基于图像序列的三维人脸重建和关键点检测技术,研究如何对摄像机拍摄获取的视频进行三维人脸重建和人脸关键点检测,并降低人脸关键点检测结果的抖动问题。本文的主要工作如下:（1）基于知识蒸馏的2D人脸关键点检测方法。准确且快速的处理2D关键点坐标,是3D人脸重建和关键点定位的基础,现有关键点检测算法只注重泛化能力,模型推理效率则不关心。而泛化性能好的模型参数量一般较大,计算复杂度高。因此,本文提出一种基于知识蒸馏的人脸关键点检测方法,首先设计了一个堆叠多个沙漏模块的复杂教师模型,其模型结构鲁棒,人脸关键点定位精确,满足实际使用的定位精度要求;其次设计了一个由深度可分离卷积,倒残差,SE块等组成的精简学生模型,其模型参数仅为教师模型的1/16,有效提升了特征提取的速度,满足实际使用的速度要求;最后通过知识蒸馏策略,联合特征回归和人脸关键点定位方法,使用预训练的教师模型有监督指导训练学生模型,将教师模型的知识传递给学生模型,使得学生模型同时兼顾模型推理速度快和关键点定位精度高的优点。（2）基于图像序列的三维人脸关键点检测和人脸重建。现有的三维人脸关键点定位和三维人脸重建模型一般重点关注定位和重建精度,应用于动态视频或异常遮挡时模型稳定性和准确性都显著降低。因此,本文提出一种基于图像序列联合学习的新方法。首先,本文制作了新的视频数据集Speech Data,包括111个单人的演讲和生活视频,单个视频时长30秒（1000帧图像）,对其进行2D人脸关键点检测后使用3DFitting拟合3D人脸关键点;其次,为了降低人脸关键点的抖动性,基于连续多帧图像相似性原理,设计了一种加权抖动损失函数,减小相邻帧之间人脸关键点坐标位置的差异;最后,对Rest Net18和Flame模型进行改进提出Frames Net框架,实现了图像序列中3D人脸重建和人脸关键点检测。实验结果表明,本文算法在稳定性方面取得了显著的提升。