人脸对齐在计算机视觉领域受到广泛研究，因其在人脸分析中具有基础性作用，但至今仍是一个未完全解决的问题。其主要挑战在于人脸图像与对应面部形状之间存在高度非线性关系，且关键点之间存在复杂的内在关联。现有方法主要依赖级联回归框架，但存在固有缺陷，例如对初始化高度敏感，且难以有效建模关键点间的相关性。本文提出了一种端到端的人脸对齐方法——直接形状回归网络（Direct Shape Regression Network, DSRN），在统一框架下协同解决上述挑战。具体而言，DSRN通过引入双重卷积层，并结合本文提出的傅里叶特征池化层，高效构建强表达能力的特征表示，以解耦图像与形状之间的高度非线性关系；同时，通过引入低秩学习的线性层，有效编码关键点之间的空间相关性，从而提升整体性能。DSRN融合了核方法在非线性特征提取方面的优势与神经网络在结构化预测中的能力，首次实现了直接人脸对齐的端到端学习架构。在五个基准数据集（AFLW、300W、CelebA、MAFL 和 300VW）上的大量实验验证了该方法的有效性与通用性。所有实验结果均表明，DSRN在各项任务中均能稳定实现高性能，且在多数情况下超越了当前最先进的方法。