近些年,伴随着计算机硬件条件的提高以及计算机视觉技术的快速发展,人脸识别技术被广泛地应用在社会生活中许多场合,如签到考勤、身份验证以及刷脸支付等方面。在深度学习技术的加持下人脸识别的准确度已经大幅度提高,然而在非限制的场景下,由于头部姿态、光照变化、面部表情、遮挡,妆容变化等不可控因素的影响,导致了识别效果大幅度下降。本文针对人脸姿态变化而导致识别性能降低的问题进行了研究,以面部姿态变化为主题,围绕着人脸检测,正面人脸合成以及提取姿态无关性的人脸特征等方向进行了实验,其目的是提升多姿态人脸识别算法的准确性。本文的主要研究工作归纳如下:(1)MTCNN是当前流行的人脸检测和人脸对齐算法,但当人脸图像出现大角度的姿态变化时,网络的漏检率也会增加,而且MTCNN是基于多任务级联结构的卷积网络,人脸检测的速度还有待提升。针对以上问题我们通过数据增强操作,将训练样本进行翻转,旋转操作获得更多视角下的人脸图像增加训练样本数据的姿态多样性提高模型的检测能力,同时引进了 Octconv卷积替换R-Net,O-Net网络中的传统卷积操作来减少网络参数冗余量,提高网络的运行速度。最后根据MTCNN的人脸检测框的位置以及左右眼的坐标信息,通过衡量左右眼与人脸区域的几何中心之间的角度关系进行人脸姿态估计,为后续章节人脸识别和人脸姿态归一化提供准备工作。(2)考虑到人脸姿态变化会导致人脸特征的类内差距变大而类间差距缩小的问题,本文提出了基于人脸姿态的特征自适应映射方法的多姿态人脸识别算法。首先添加人脸检测模块(MTCNN),并且利用左右眼与人脸区域的几何中心之间的角度关系来估计人脸头部姿态,然后使用人脸在yaw方向上的偏转角度构建人脸姿态约束参数用于网络训练。其次,使用残差网络搭建一个基于人脸姿态的特征映射模块,该模块能够将人脸姿态约束自适应地添加到人脸深度特征表示中,以将姿态变化的人脸特征映射到离正面人脸特征空间尽可能近的范围内。(3)为了进一步的研究人脸姿态变化的影响,本文提出了基于WGAN-gp生成对抗网络正面人脸合成方法,与传统基于GAN框架的人脸合成方法相比,该模型集成了身份识别模块,可以提取有效的人脸身份特征并且用来监督人脸生成模块的训练。另外,该方法充分利用人脸的对称性特征这一先验知识,设计了一个人脸对称性特征提取模块,该模块的作用一方面提高了合成人脸的视觉质量,另一方面可以加快网络训练的收敛速度。我们在多个人脸数据库进行了验证实验,表明了该方法提升了正面人脸合成的图形质量。