作为可视媒体数据的重要组成部分,人脸数据的智能处理需求与日俱增。人脸配准技术,作为人脸提取与预处理的两大基础技术,其发展有利于促进人脸数据的分析与利用,对智能服务、公共安全和娱乐等方面有着积极作用。但是,由于人脸配准技术在人脸数据分析处理中所处的基础位置,复杂多样的应用场景对人脸配准的精度提出了很高的要求,然而留给人脸配准的计算资源却十分有限。针对高处理速度的需求,本文提出采用的卷积神经网络直接回归人脸特征点的坐标的架构解决人脸配准问题;并且,基于稠密链接模块和VGG网络结构,本文分别针对服务器和移动嵌入式设备设计了相应的卷积神经网络,使之拥有极少的参数量和媲美目前最快的基于卷积神经网络的人脸配准算法的计算复杂度,其中针对移动嵌入式设备设计的卷积神经网络,运算复杂度仅为该算法的23%。针对高精度,运用在视频中输入图质量较低,以及算法训练数据匮乏的问题,本文提出了使用多数据集联合训练的方法,有效利用不同特征点定义的数据集,使得训练数据规模得以迅速扩充;同时本文使用教师模式配合训练,利用针对服务器的神经网络精度高、易训练的特点,进一步扩充了移动嵌入式设备的神经网络的训练样本数;此外本文还利用数据扩增的方法,进一步增强了数据的多样性。通过实验,多数据集联合训练、教师模式等训练方法被证明有效扩充了训练数据规模,提高了本文训练产出模型的精度、稳定性和泛化性,在标准数据集上评测指标领先。最后针对现存人脸配准算法在视频中应用时结果缺乏连续性的问题,本文还提出了一个基于岭回归的后处理算法,帮助提高视频人脸特征点跟踪时追踪结果的连续性。在实验中,该后处理算法为人脸特征点跟踪提供了肉眼可以感知的连续性提升,有效地改善了人脸配准算法在视频中的应用体验。