本文首次提出基于深度学习的渐进性人脸动态迁移算法,该算法对源人脸与目标人脸寻找外表的平滑渐变过程,且该过程中准确保留了源人脸序列的动态表情信息。本文所讨论的算法在影音制作、虚拟现实、视频通信等领域有广阔的应用前景。近年来,基于深度学习的人脸编辑算法被深入研究,以往的研究往往只考虑外表的变化过程,或只考虑表情迁移过程。其中,关注外表变化过程的工作或在图像隐空间插值,或寻找图像间的单向映射,但隐空间难控制、单向映射不准确等缺点导致效果不佳。表情迁移的以往工作常以二维信息作为网络指导,导致表情迁移无法在对象大姿态差异下正常工作。本文工作专注学习人脸之间的像素对应关系,从像素位移角度指导外迁移,同时引入三维信息,基于3DMM模型完成表情迁移。本文立足于同时寻求人脸外表渐变路径与动态表情信息。其中,本文利用深度学习神经网络预测人脸图像间的共享矢量场,通过共享矢量场对人脸图像的双向映射准确定义像素间的匹配关系;为辅助网络捕捉复杂的双向映射,本文设计了特征对齐层,在特征空间预先弱对齐特征图像。通过该矢量场,本文可得到外表渐变过程。对于表情信息,本文基于3DMM模型,引入三维先验信息对人脸进行重建,解析出表情特征参数;为规避三维标注数据不足的问题,本文引入对抗判别网络,半监督式训练网络学习三维信息分布。通过本文的表情迁移模块,可使得外表渐变序列保留源序列表情参数,完成整个序列输出。本文在人脸主流数据集MMI、CK（CK+）、300W-LP上进行实验验证,并与之前的工作进行对比分析,证明了算法的新颖性及鲁棒性。