近些年来,正面人脸图像作为一种重要的身份特征得到了非常广泛的应用,但是在诸如监控摄像头等的实际应用中,可能存在无法准确获取某个主体的正面人脸,但是可以比较容易获得同一个主体的多幅不同姿态的非正面人脸的情况。因此,通过某个主体的多姿态的侧面人脸图像来准确获取该主体的正面人脸图像具有十分重要的现实意义。针对当前极大多数实际情况下无法可靠获取某主体的正面人脸图像的问题,本文以重建正面人脸图像为目标,通过多姿态的侧面人脸图像作为样本,围绕从小姿态变化到大姿态变化的人脸进行正面人脸图像重建,探究不同的方法对于多姿态侧面人脸图像重建正面人脸图像的实现效果。本文的主要工作包括以下几个方面:（1）基于小姿态变化人脸的正面人脸重建场景,采用薄板样条变换和移动最小二乘变换的方法,从多幅非正面人脸图像中选择扭曲形变最小的像素进行合成,进一步利用加权平均的方法来平滑合成的正面人脸图像,使得重建的正面人脸图像尽可能的平滑。（2）基于图像变换方法重建得到的正面人脸图像在姿态偏转方向一侧信息缺失严重的问题,提出了分段仿射变换下基于改进图像融合策略的正面人脸重建方法。该方法中,通过分段仿射变换把输入的非正面人脸图像映射到正面人脸模板,得到初步的正面人脸;利用泊松融合思想,改进融合策略,按照一定的权重从每幅变换后的正面人脸图像中选取图像块,将这些图像块进行融合。该方法有效改善了重建人脸信息缺失的问题。（3）基于大姿态变化下的正面人脸重建场景,针对重建得到的正面人脸凸显不够真实、细节信息缺失比较严重的问题,提出了基于多任务学习的堆叠渐进自动编码器的正面人脸重建方法。在堆叠渐进自动编码器逐步重建得到正面人脸的基础上,考虑到在人脸重建过程中容易丢失人脸局部特征信息的问题,对此进行网络优化,引入基于部分特征表达的稀疏自动编码器,构建多任务学习的堆叠渐进自动编码器,保留输入数据的局部特征信息,从而提高人脸图像的重建质量,使得同一个人在不同姿态下的人脸特征最大程度相同。