随着人脸身份识别技术的蓬勃发展,各种大小场景的人脸身份识别技术的滥用引起了人们对于自己身份隐私泄露等问题的关注,出现了有关人脸去身份识别的研究。人脸去身份识别的目的在于尽可能的保存与人身份无关的信息如一些重要的生物特征,尽可能的剔除与人身份隐私有关的信息。本文提出了一种基于GAN的人脸去身份识别模型,该模型采用VGG网络改进了 CycleGAN,用于人脸去身份识别。VGG作为模型的初始化阶段训练和重构图像语义损失的训练,用以最大程度的保留输入数据原有的语义内容信息。为了使模型生成更高质量的图像,训练模型的判别损失中加入了一项新的模糊对抗损失,用以生成轮廓和边缘更清晰的图像;同时在模型的上采样过程中,采用缩放卷积替换了原有的反卷积操作,解决了图像生成问题中的棋盘效应。最后,模型结合风格转换和对抗攻击方法以达到人脸去身份识别的目的。本文通过各项改进的独立测试与一些现有的模型进行对比实验,验证了该模型的有效性与稳定性。