三维人脸的有效表示以及重建在计算机视觉和图形学有着广泛的应用。三维人脸的表示,即是通过一定的算法得到三维人脸的高维特征数据,重建就是从高维特征数据中能够通过算法模型重建出对应的三维人脸。大多数存在的线性表示算法并不能有效的重建出高质量的三维人脸数据,尤其是对于面部细节的处理比较粗糙,而最新的非线性表示方法不太适用于实际三维形状。三维人脸的表示和重建能够给人脸识别、机器情感表达等方向提供该技术支持,还能为其他诸如三维人体驱动,场景三维重建等方向提供参考依据。为了解决三维人脸的有效表示以及重建,本文提出了一种基于图卷积的多尺度自动编码器神经网络模型,用来处理三维人脸的潜在表示和重建。本文提出的自动编码器神经网络模型使用的是图卷积,图卷积是一种适用于具有图结构数据的神经网络模块,这就解决了传统卷积神经网络难以有效提取特征的问题。结合三维网格的采样算法,能够在多尺度上进行三维网格的特征提取,做到了类似于传统2D数据池化操作的特性。本文的模型也能够进行变分训练,训练完成的网络可以用来生成更多高质量的三维人脸数据,为其他任务做数据增强。本文的创新点和成果如下:1.提出了基于图卷积的多尺度自动编码器模型,使用图卷积来有效的对三维人脸数据进行特征提取,结合对网格数据的采样算法,实现多尺度的特征提取,此模型解决的传统卷积网络模型不能有效的泛化到三维空间的问题,并且使用自动编码器结构高效的实现了人脸模型的潜层表示以及重建。本文的模型也适用于大多数其他类型的三维模型,不仅限于人脸模型。2.三维网格数据不需要进行复杂的编码过程,本文提出的网络模型可以直接输入三维网格原始数据,而不需要复杂的数据的特征表示编码过程,也就是达到了端到端的输入和输出。3.实现了三维人脸网格的变分生成模型,变分生成模型的训练需要很好的权衡损失函数中相对熵和重建误差之间的权重,本文采用了自增长的权重设置算法,实现了网络模型的稳定训练,能够生成高质量的三维人脸模型。