随着国家的信息化程度提高,国内外大数据、人工智能、计算机视觉等计算机科学技术的飞速发展和应用,对人脸图像的处理、人脸特征的提取从而实现的人脸识别的发展和应用越来越受到各行各业的广泛关注和使用。近年来,在人脸识别领域,每年都会涌现出许多新的模型和算法,不断刷新人脸识别的记录。但在现实生活中,人脸不可避免的被口罩、墨镜等佩戴物品遮挡,或是光照、角度、采集设备等客观条件的影响,以及人脸图像被人为的涂抹、添加马赛克等,使得采集的人脸图像局部信息缺失。从而对现有的人脸识别模型以及算法的识别能力产生不利的影响。为消除或降低上述情况产生的不利影响,研究者们提出并论证了许多方法。其中包括传统的子空间回归、鲁棒误差编码等方法,不仅容易受设计者水平影响,且只能在一定程度上减少遮挡对人脸识别带来的不利影响,不能达到令人满意的效果。因此人脸信息缺失的条件下怎样有效的进行人脸识别,这一研究具有很大的发展空间。本文将深度学习和神经网络的相关方法加以适应性改进应用在局部信息缺失的人脸图像修复和识别上取得了较好的效果,并从人脸图像修复作为切入点,提出局部信息缺失的人脸图像的修复与识别算法,使用修复缺失信息后的完整人脸进行人脸识别,来降低其对识别的干扰。本文首先介绍了深度卷积神经网络以及生成式对抗网络的基本理论和原理。并基于yolo目标检测算法实现和训练了人脸及遮挡物检测模型,取得较好的效果。实现并训练了VGG16人脸识别模型,实验证明了人脸信息缺失条件下模型的性能和识别准确率均大幅降低。其次,本文介绍了Wasserstein生成式对抗网络和部分卷积的原理,并基于此设计和实现了人脸图像修复模型,在感知损失、有效像素损失、平滑度损失等前提下加入了一种新的人脸特征损失。最后通过实验对比验证了加入新的损失后,能够有效抑制“人脸易容”。最后基于上述改进的人脸图像修复模型与VGG16人脸识别网络模型提出了一种结合图像修复和人脸识别的局部信息缺失的人脸识别算法,通过实验证明该算法比基于卷积网络的人脸识别和传统算法具有更高的识别准确率。并以此设计和开发了一款针对局部信息缺失的人脸图像修复与识别系统。