目前,当公安部门对刑事案件进行侦破时,常见的取证方法之一是通过数字远程监控系统与高清摄像头连接,获取犯罪嫌疑人的犯罪行为录像以及逃逸踪迹。但由于不法犯罪分子的反侦察意识不断增强,通常会有意识地将犯罪行为实施在无监控区域或者监控死角,甚至案发前有意识地毁坏监控摄像头,如此一来,就难以获取其犯罪行为的记录,也就无法了解犯罪嫌疑人的外貌特征,为侦查人员获取线索增加了难度。但如果案发现场有目击证人,再根据印象对犯罪嫌疑人进行特征描述,模拟画像技术人员就可以绘制出犯罪嫌疑人的素描图像,随后进行面部识别进而判别身份。但由于素描图像和真实人脸图像在纹理表达上有着巨大的差异性,直接使用传统的面部识别方法恐难以获得具有破案价值的识别结果。因此就突显了通过素描图像来重现真实人脸图像的实际意义。在从素描图像到人脸图像的转化的研究历程中,无论是早期的传统图像合成方法还是后来兴起基于深度学习的方法,如何生成视觉效果清晰逼真且在细节特征层面能够高度还原的人脸图像是研究人员一直探寻的问题。而且,素描-人脸转化对于数据集的要求较高,想要获得大量成对匹配的素描-照片的成本非常高,良好配对的数据集并不容易获得。因此,如何将素描图像有效地转化成人脸图像颇具价值、意义深远。针对这一问题,本论文提出了一种基于注意力机制的无监督素描-人脸转化算法,主要工作如下:1.对于目前图像转化算法中最具代表性的Pix2pix模型和CycleGAN模型进行了深入研究,并基于上述两种算法模型构建素描-人脸转化网络,获得实验结果。2.以CycleGAN模型为基础框架,引入计算机视觉领域的注意力机制网络,构建基于注意力机制的无监督素描-人脸转化网络（Attention-Based Unsupervised Sketch-Face Transformation Network,AUSF-Net）模型。AUSF-Net模型总共由生成器GS→F、生成器GF→S,两个对应的判别器DF、判别器DS以及两个注意力网络AS、AF组成。在具体的网络设计中,综合了U-Net网络和残差网络网络的优点,设计了基于残差网络结构的注意力网络和基于“U-Net+残差网络”结构的生成器网络,判别器网络采用了PatchGAN判别器。3.通过对生成对抗网络目标函数的研究,在AUSF-Net模型的目标函数中,对于GAN的对抗损失选用基于LSGAN的最小二乘损失函数,并且沿用了CycleGAN模型的循环一致性损失函数,引入了有助于提高生成人脸图像真实性的本身损失函数,最后的总损失函数采用权重加权的形式。最后,本论文将提出的AUSF-Net模型在CUSF数据集中的CUHK数据集部分以及CUFSF数据集上进行训练和测试。随后,根据不同实验目的设置了多组控制变量实验来验证AUSF-Net模型改进之处的优点,并展示了详细的实验结果、做出了深入的分析。之后,本章对目前图像转化领域几种经典的算法模型进行了复现并训练其完成相同的素描-人脸转化任务,与本论文提出的AUSF-Net模型进行了对比实验。通过定量比较和定性分析,展现了AUSF-Net模型的优越性。实验证明,AUSF-Net模型能通过素描图像生成清晰的人脸图像,细致入微地还原细节特征,几近重现真实原貌。