本论文框架围绕基于多模态大模型的人脸感知与情感推理方法展开研究，总体目标是推动人脸理解由 “结构感知” 迈向 “情感认知”，兼顾模型的准确性、鲁棒性、端到端效率、泛化性以及可解释性。首先搭建理论与评测基础，从多模态大模型 VLM、人脸感知理论、情感推理理论、数据集与评价指标四个方面夯实研究根基，整体遵循基础检测、综合感知、高级推理的递进主线。基础检测针对热图响应易受噪声干扰、出现假峰值假阳性的问题，采用基于分布相似性的人脸关键点检测方法，通过理想高斯分布、集成解码与分布相似性损失，产出更加稳健可泛化的关键点结构感知结果。综合感知针对传统多步流程繁琐、信息丢失与误差累积的痛点，开展面向自然场景的自由人脸感知，依托 FaceQA 数据集、大语言模型与多尺度特征融合增强，实现定位、理解、计数一体化端到端人脸感知。高级推理针对表情识别仅能分类、缺少情感形成机理解释的缺陷，采用思维链开展人脸情感推理，借助 Exp‑CoT 引擎逐步生成证据，实现从识别是什么到解释为什么的升级。之后开展多组实验验证，包含多数据集对比、消融、鲁棒性分析、可视化以及可解释性评测；最后总结研究贡献并对轻量化、多模态行为推理等方向作出展望。无论做人脸计算机视觉方向的研究生还是多模态情感计算的研发人员，都可以从中获取研究思路。