随着人脸识别技术在我们的日常生活中的越来越普及,基于具体使用场景的人脸图像处理技术涌现出来。而在具体的人脸识别场景中,由姿态变化导致的人脸识别困难是现在亟待解决的一个难点。当人脸产生较大角度偏转时,人脸的特征信息会由于角度偏转而丢失,从而影响人脸识别过程。因此,通过各种方法实现姿态变化下人脸的高精度识别是现在一个比较重要的研究方向。为了解决这一问题,可以先利用人脸矫正算法对非正面人脸进行矫正,使用矫正后的正面图片作为人脸识别的输入。除此之外,由于图像分辨率造成的人脸识别问题也很严峻,复原高质量人脸图像也成为了一个研究热点。人脸矫正的算法主要包括传统映射方法、基于3D建模的矫正方法和深度学习方法。本文首先介绍了人脸识别的基本流程、深度学习的背景技术知识,然后对基于深度学习的人脸矫正算法进行介绍,讲解了基于深度学习方法的人脸矫正算法SPAE、TP-GAN以及DR-GAN。提出了一个基于姿态残差的对抗生成人脸矫正网络FCM,该网络以对抗生成网络为基础结构,包含利用姿态残差的生成器以及双判别器(姿态信息判别器PID、身份信息判别器IID)。姿态残差信息以及先验的人脸身份、姿态信息可以指导正面人脸的生成,提高生成器对身份、姿态的拟合。并且设计了人脸转换模型FTM,生成人脸的二维关键点信息。生成器的解码器结构中加入密集连接(Dense Connection)有助于减少训练参数,避免梯度消失,并且有正则化的作用,有效避免了过拟合。并且针对低分辨率的人脸图像,提出了一个高质量人脸生成网络HFG,并将该模型的训练过程中加入上面提到的人脸矫正特征图作为引导,训练出一个兼具人脸矫正和人脸复原的生成网络结构。最后在实验阶段,利用CMU Multi-Pie数据集训练人脸矫正模型,并且在CMU Multi-Pie、LFW数据集上进行测试,与当今优秀的人脸矫正算法进行了对比,分析生成的图像的效果;并且为了分析模型中各个结构的作用,分别进行了对比试验。利用CASIA-Webface数据集训练HFG,并且在LFW和IJB-C数据集上进行测试。比较了提出的高质量人脸生成模型HFG、HFCM和现在存在的最优秀的人脸复原方法,在Resnet-50识别网络上进行识别,分析了修复之后的人脸识别率。