随着深度学习的不断发展,人脸识别技术也愈加趋于成熟。人脸识别是指利用人的脸部特征推断其身份的一种生物识别技术。但在新型冠状病毒的肆虐下,人们戴起了口罩防疫,而口罩的遮挡却给人脸识别带来了巨大的挑战。口罩的存在遮住了人脸一半以上的特征,造成了巨大的信息损失,导致现有人脸识别算法表现大幅度下降。因此,为了减少口罩遮挡对人脸识别的影响,本文提出结合人脸修复的人脸识别算法。本文主要贡献如下:针对口罩遮挡区域信息丢失,本文提出一种基于多模态的两阶段人脸修复算法,恢复被口罩遮挡的特征。该算法利用原始图片、人脸几何信息、人脸属性信息三方面模态进行融合,并将融合向量输入到两阶段人脸修复网络。该网络第一阶段生成粗略的修复结果,第二阶段生成更为精细的最终修复结果。并在本文制作的口罩遮挡Celeb A数据集上,采用结构相似性（SSIM）和峰值信噪比（PSNR）两个指标进行评估。实验证明,该算法相对于其他人脸修复算法取得了更好的修复效果。为了更加合理地利用真实未被口罩遮挡区域和修复的口罩遮挡区域,本文提出基于多注意力机制的人脸识别算法。该算法利用空间域注意力、通道域注意力及全局注意力,以便人脸识别算法能够将真实的未遮挡区域特征作为重点。在本文制作的口罩遮挡LFW数据集上,采用人脸识别准确率指标。实验证明,仅采用多注意力机制的人脸识别算法相比较其他较好的人脸识别算法提高了4.56%;结合使用修复算法,相对于其他人脸识别算法提高了5.87%。目前可用的口罩遮挡数据集较少,本文利用人脸关键点检测技术在公开的人脸数据集上制作了一批口罩遮挡人脸数据集,为算法训练提供数据基础。此外,基于本文提出的人脸修复算法和多注意力人脸识别算法,设计了一套口罩遮挡人脸识别系统,该系统主要有口罩遮挡人脸修复、口罩遮挡人脸识别、人脸库管理及系统管理等功能。通过测试表明,本文提出的算法在实际应用中仍有好的表现。