人脸识别是生物鉴别中重要的一种方法，由于其自身直观便捷，交互性强等特点，在安保、考勤等领域获得广泛的应用，同时人脸识别也是机器视觉、人工智能领域的研究热点之一。特别是随着度学习的提出和兴起，人脸识别技术取得的重大的进步和快速的发展。人脸识别性能的好坏很大程度上依赖于光照、姿态、时间跨度等多种因素的影响。本文针对人脸姿态、光照容易导致人脸识别率下降的问题，在基于深度网络的人脸识别方法的基础上，引入人脸轮廓对称及多层特征融合等先验约束，提出了改进的基于生成式对抗网络的人脸姿态重建和识别方法及针对光照变化融合特征的人脸梯度图提取方法，主要研究成果如下。　　1. 针对姿态变化特别是大角度姿态对人脸识别性能的影响，提出了一种基于轮廓对称约束的生成式对抗网络(SC-GAN)的人脸识别方法。该方法以卷积网络作为生成器，以训练样本中的正面人脸图作为判别器。通过生成器和判别器的相互对抗平衡来进行训练，能得到姿态效果良好的网络。实验表明，该方法在一定程度上提高了不同姿态恢复的效果以及人脸识别率，特别是在大角度姿态重建后，依然能够获得较高的识别率。　　2. 针对大角度姿态重建过程中容易丢失局部细节特征的问题，提出一种复合特征约束的人脸重建方法。该方法采用正脸轮廓直方图作为约束生成网络的条件，引入对称损失作为约束对抗网络的条件，该复合特征约束的人脸重建方法，可以确保人脸整体轮廓的清晰和真实，进而有效反映出正脸的整体边缘信息，解决重建过程中图像局部不连续的问题。实验结果表明，本方法重建得到的人脸正脸图像的全局轮廓明显，细节特征也较为清晰。　　3. 为了解决复杂的光照变化环境对人脸图像的特征提取带来的影响，提出了一种改进边缘方向梯度图的人脸识别算法(E-HOG)。该方法在轮廓边缘直方图约束的基础上，融合方向梯度直方图的特征提取方法，通过图像局部梯度方向进行统计，提取图像总特征梯度图，从而改善了不同光照强度带来的影响，最后通过生成式对抗网络重建出去除光照的图像。该方法能够有效的缓解光照变化产生的人脸特征丢失等问题，较好平衡了边缘细节和图像对比度的分布情况。实验结果表明，在光照变化环境下，本方法提取的特征有较强的鲁棒性，基于所提取特征的人脸识别率较其他方法有一定的提升。