随着三维点云技术的发展,人们不再满足于二维平面图像,开始向三维领域发展。深度相机可以从场景中获取三维信息,因此被广泛应用于需要更可靠三维信息的人机交互（HCI）和增强现实（AR）。由于深度相机由于其精度的提高并且变得更加便宜和流行,以至于可以部署在智能手机上,研究人员开始积极研究利用深度信息的三维计算机视觉。与深度相机拍摄的深度图像（称为2.5D信息）相比,研究人员试图将深度图像转换为三维点云或通过多个捕捉设备捕捉三维点云表面。本文直接使用三维点云作为输入数据从而获取三维信息,避免了二维信息与三维信息之间的映射。同时相比于传统的二维卷积神经网络,我们采用对三维数据处理性能更好的图卷积网络（GCN）作为三维头部姿态估计的网络主干。本文还提出了一种基于三维可变模型（3DMM）的三维人脸重建和三维人脸对齐方法。我们不采用三维可变模型参数作为监督,而是利用三维头部姿态和三维人脸关键点来形成三维人脸重建和对齐的约束条件。本文的主要工作和贡献如下:1.本文提出了一种基于深度神经网络和三维点云的头部姿态估计方法。与现有的以二维彩色图像或二维深度图像为输入的方法不同,本文采用由深度生成的三维点云数据来估计三维头部姿态。为了进一步提高头部姿态估计的鲁棒性和准确性,本文将头部姿态的三维角度按5度区间划分为36类,并采用多层感知器（MLP）对估计角度处于每一类的概率进行预测。传统的头部模型构造迭代方法计算量大,存储开销大,但本文提出的方法以经过下采样的三维点云为输入,结合图卷积神经网络（GCN）,具有计算量小、计算效率高等优点。在Biwi-Kinect头部姿态数据集上的实验结果表明,本文提出的方法在头部姿态估计方面取得了很好的效果,在精度上优于现有的头部姿态估计方法。2.本文还提出了在头部姿态引导下的人脸重建,并只使用三维人脸关键点和三维头部姿态作为监督。现有的基于三维变形模型（3DMM）的方法大多是在采用单个或多个图像作为输入,并使用三维可变模型的所有系数参数作为监督进行学习。然而,提供三维可变模型参数标注的数据集很少,精确的三维模型的获取也很不容易。为了解决这一问题,我们提出了一种姿态引导的人脸重建方法,该方法可以在不受形状和表情系数参数影响的情况下回归精确的三维人脸模型,我们采用三维人脸关键点和三维头部姿态作为约束条件。与上述的形状和表情三维模型参数不同的是,利用现有的最新方法,可以从在自然环境中采集到的图像中准确地估计三维人脸关键点和头部姿态,这意味着它们更容易获得。在300W-LP和AFLW2000-3D数据集上的实验结果表明,本文提出的方法成功地从单个彩色图像输入重建了精确的三维对齐人脸模型,三维人脸关键点的归一化平均误差（NME）达到了最先进的水平,同时在没有任何三维数据标注的Celab A HQ数据集上的进一步实验证实了我们提出的方法在自然环境中采集到图像上的可行性。