视觉隐私保护是社会发展过程中一个值得重点关注的问题。为从源头解决因服务机器人视觉设备而引起的用户隐私泄露问题,在国家自然科学基金等项目的支持下,本文基于生成式对抗网络（Generative Adversarial Networks,GAN）分别从视觉隐私识别、视觉隐私保护以及脸部视觉隐私保护三个方面进行了研究。针对服务机器人无法有效识别视觉隐私的问题,提出了基于改进GAN的服务机器人视觉隐私行为识别算法。针对服务机器人视觉设备引起的用户隐私泄露问题,提出了基于改进CycleGAN（Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks）的服务机器人视觉隐私保护方法。针对脸部视觉隐私保护得不到有效的保护问题,提出一种基于GAN的服务机器人脸部视觉隐私保护算法。主要研究内容与创新点为:1)提出了基于改进GAN的服务机器人视觉隐私行为识别算法。已有视觉隐私识别算法中,因其需要大量标记数据而增加了部署隐私识别的成本。为了解决这一问题,本文提出了改进GAN的服务机器人视觉隐私行为识别算法。其中,9层残差块提高了模型生成器生成图像的质量,而具有10层网络结构的判别器则增强了特征提取。针对服务机器人视觉隐私行为识别算法设计的目标函数,损失函数和动态调整学习率的策略可确保高性能。2)提出了基于改进CycleGAN的服务机器人视觉隐私保护方法。现有视觉隐私识别模型对于已经发生泄露的视觉隐私图像无法进行有效的处理,而视觉隐私保护模型无法获得高质量的去除视觉隐私图像。针对这一问题,本文提出了基于改进CycleGAN的服务机器人视觉隐私保护方法。首先,本文通过优化CycleGAN的结构与参数,提出了改进CycleGAN算法以提高算法泛化能力。然后,提出了基于NCC的训练数据集生长算法,使训练数据集能够根据环境变化而自动拓展。最后,在服务机器人上实现了基于改进CycleGAN的服务机器人视觉图片隐私保护方法,构建了具有48,000张图片的对抗训练数据集,并建立了6类测试实验的测试数据集。3)提出了基于GAN的服务机器人脸部视觉隐私保护算法。当前的脸部视觉隐私保护算法无法有效的进行脸部视觉隐私保护,且其在视觉隐私保护中生成的脸部图像也存在一定程度的扭曲。为提高视觉隐私图像生成的质量与缓解模型训练过程中的模式崩塌、生成结果冗余等问题,本文提出基于GAN的服务机器人脸部视觉隐私保护算法。首先,从数学上证明了模型的收敛性。然后,采用改进的U-Net网络作为生成器来提高生成图像的质量,并设计了两个7层网络结构的判别器来增强模型的特征提取能力。随后,我们提出了像素损失、内容损失、对抗性损失函数和优化策略来保证模型的性能。在本文实验中,我们将该算法应用于服务机器人的脸部视觉隐私保护,并分析影响模型效果的相关条件。实验证明,此算法能够有效的保护人的脸部视觉隐私,与此同时提高其鲁棒性与有效性;4)提出了一套服务机器人视觉隐私保护原型系统。通过试验平台的搭建与上述算法模型的有机集成,本文提出了服务机器人视觉隐私保护模型,获得一套服务机器人视觉隐私识别与保护的系统方案,进而形成一套集家庭环境检测、视觉隐私保护等功能的家居服务机器人隐私保护系统。