人脸识别技术作为计算机视觉和人工智能领域中极具应用前景的关键技术之一,多年来一直受到学术界和工业界的广泛关注。目前,受限环境下的人脸识别技术基本已经趋于成熟,且有很多人脸识别技术的产品步入市场。但是,非限制环境下的人脸识别仍然具有极大的挑战,尤其是姿态变化、光照、表情、遮挡等因素的影响以及数据本身信息损失的问题导致人脸识别性能不佳。本文利用人脸三维模型和深度学习技术对无约束人脸识别中的若干关键问题进行深入研究。本文通过在大量的非限制人脸数据集上进行实验,验证了所提出算法的有效性。本文主要的创新点和贡献如下:(1)针对基于深度学习的无约束人脸识别中训练数据不足的问题,提出了一种基于三维形变模型的人脸增广方法,从人脸姿态、表情正则化、光照等三方面对人脸数据进行增广。把增广之后的数据用于深度人脸网络的训练,不仅解决了数据收集难的问题,而且增强了数据类内之间的多样性。进一步,为了缓解增广后数据和原始数据之间的偏差问题,本文提出了一种基于数据增广的自适应人脸识别方法。通过设计了一个深度迁移网络,让网络自适应的把增广数据和原始数据投影到一个新的空间,在这个空间所有数据将被极大的融合在一起以至于网络不能区分出一个数据到底来自于哪个域,从而有效的缓解数据分布不一致的问题。(2)针对小样本人脸识别中标签数据少的问题,提出了一种协同域自适应网络的方法,该网络结合了人脸分类、域自适应、伪标签数据学习等三个模块共同学习一个共享的编码表示。网络训练过程中,首先使用标签数据和无标签数据一起训练人脸分类和域自适应模块,充分使用这两部分数据学习人脸特征,同时域自适应模块又能辨别出哪些数据是标签数据。其次,网络自主的标定一些伪标签数据,这些数据又再次充当标签数据对模型进行训练。在整个训练过程中,三个模块交替协同训练,让整个模型学习到更加具有判别性的人脸特征,从而有效的解决了小样本人脸识别的问题。(3)针对无约束人脸识别中人脸姿态鲁棒性问题,提出了一种自适应姿态对齐的方法。代替对齐所有的人脸到统一的模板上,本文自适应的学习最优的对齐模板,根据人脸姿态自适应的对齐人脸到最匹配的模板上,这样不仅降低了人脸类内之间的差异,而且能够有效缓解由于对齐过程给人脸图像带来的损失,特别是在非限制环境下有极大的改善效果。进一步,本文提出了基于自适应姿态对齐网络,该方法不需要进行人脸特征点检测,模型的输入是一张没有对齐的人脸图像,输出是一张对齐的人脸图像。实验证明,该方法和自适应姿态对齐方法可以达到相当的效果。文章最后分析比较了论文中提出的各种算法的优缺点,并给出了可扩展性的研究方向。