随着深度学习技术的发展,涌现出很多基于生成对抗网络（GANs）的人脸编辑算法,被广泛应用到各式各样的人脸编辑软件中。这些软件能对输入的人脸图片进行编辑,包括添加或删除某些人脸特征,改变年龄、性别等。人脸编辑的技术可能被应用于违法犯罪的目的,比如罪犯可以通过上传经过编辑后的人脸图片或者乔装打扮来逃避追捕。现有的人脸识别算法虽然在未编辑过的人脸图片上表现良好,但是面对经过人脸编辑的图片准确率并不高。同时,由于人脸数据收集困难,现有的人脸识别系统往往考虑使用人脸编辑对人脸数据集进行扩增,但是合成脸会对模型的性能造成损害。针对上述两点问题,本文提出了一种基于对比学习和特征解耦的人脸识别算法,能够在训练阶段滤除合成模态,也能在测试阶段准确识别经过编辑的人脸图片。本算法符合良好的表征学习的特性,能够学习到鲁棒的人脸表征,首先通过对比学习将人脸表征从低维流形的固定区域中解放出来,然后使用特征解构,滤除人脸表征中一些与身份信息无关的表征,更紧密地聚集在低维流形中,使得相同身份的人脸图片表征高内聚,不同身份的人脸图片表征低耦合。在此算法基础上,本文设计并实现了编辑鲁棒的人脸识别系统,本文详细描述了系统的需求分析和各模块的概要设计,然后对数据生成模块、人脸模型构建和训练模块、人脸模型识别模块、效能分析模块、可视化模块的原理与实现进行了详细的阐述。