头部姿态估计（确定人体头部相对于摄像机视图的方向）的研究在计算机视觉领域是一项长期的研究课题,头部姿态估计在视线估计、注意力建模、三维模型与视频的拟合、人脸定位等方面有着广泛的应用。在过去的二十年中,头部姿态的研究推动了三维重建的视觉技术以及多媒体内容操作的发展,在与用户交互方面发挥了重要作用。它广泛应用于注意力检测模型,司机行驶监控,课堂智能管理与人脸识别等领域。本文研究的主要问题是对于头部姿态估计的研究,即给定包含一定头部姿态的人脸图像或者视频流,我们首先对于图像进行处理,之后经过神经网络的训练,从而给出图像中头部姿态信息,其中包含俯仰角（pitch）,围绕X轴旋转;偏航角（yaw）围绕Y轴旋转;翻滚角（roll）围绕Z轴旋转。该问题可以分为两个方面,对于人像图像的处理阶段与神经网络阶段。对于人像图像的处理:通过对于图像进行一系列矩阵运算,提取出人脸图像中更多的特征数据信息。神经网络阶段:将图像与提取的特征信息送入神经网络架构中,神经网络对于提供的信息进行处理,进而训练模型,通过模型预测,从而给出三个姿态角度值。本文提出了三种新的基于图像处理和神经网络的头部姿态估计方法,我们使用了小波变换、光流与神经网络等方法,并对于神经网络的架构进行重新的分析与设计。在第一种方法中,我们将小波变换图像与神经网络相结合,经过小波处理之后的图像,可以保留图像中存在的主要信息,同时可以去除图像中的噪声与冗余信息,还可以减少计算量。我们将其与RGB图像进行拼接,将小波变换处理之后的信息作为额外的通道添加到输入中,以帮助神经网络进行更好的估计和收敛。在第二种方法中,我们设计了一个深层次与由粗到细的神经网络架构。我们首先分析了头部姿态数据库中的数据分布,针对其特点,设计了一种新的有效地网络架构,该架构在垂直和水平方向都具有较深结构,它还包含自顶向下和横向连接以进行有效的特征映射,可以将回归问题转化为分类问题。该框架首先对于图像进行粗分类,然后将粗分类的头部姿态图像送入后续细粒度网络模型中,进行更加精准的预测,该框架有助于缓解有偏样本分布的影响,并结合分段映射形成更好的全局拟合。在第三种方法中,我们在研究单帧图像的基础上,进一步向视频流进行拓展。我们研究了视频帧中的头部姿态估计方法,其中采用了光流法来提取视频帧间的关系,将光流信息与RGB图像信息进行拼接,融入神经网络训练可以得到较好的效果。虽然我们只讨论了头部姿态估计的方法,但我们相信本文所提出的方法也可以推广到其他的回归和分类问题。