本发明公开了一种基于机器学习的人物面部表情捕捉方法及系统，涉及面部表情捕捉技术领域。其首先通过摄像头采集人脸图像，接着，通过基于深度神经网络模型的人脸特征提取器对所述人脸图像进行特征提取以得到人脸浅层特征图、人脸中层特征图和人脸深层特征图，然后，融合所述人脸浅层特征图、所述人脸中层特征图和所述人脸深层特征图以得到多尺度语义融合人脸特征，最后，基于所述多尺度语义融合人脸特征，生成数字人的角色面部表情驱动指令。这样，可以以用户面部表情数据来驱动数字角色面部，以增强虚拟现实体验的沉浸感和交互性。