目前,限制环境下的人脸识别方法的性能已接近饱和。同时,城市监控摄像机数量和质量的上升,使得人脸数据采集难度大幅下降,进一步拓展了人脸识别技术的市场应用,如安保,监控等非限制场景。在此背景下,研究人员逐渐将研究重点转向非限制场景下的人脸识别技术。其中,真实场景中的跨姿态人脸识别是目前的研究热点,也是研究难点。由于姿态变化而产生的人脸图像刚性形变,基于人脸表示特征的传统人脸识别方法难以得到对姿态鲁棒的特征,并且姿态变化随之带来的人脸自遮挡,光照,五官特征区域的变化也增加了人脸图像的复杂性,为人脸识别带来了很大的困难。针对上述问题,本论文分别从人脸鲁棒特征提取与人脸正面图像生成两个方面展开研究,主要研究工作和创新点如下:1.本论文设计并提出了一种特征融合的方法,通过不同池化特征的融合以产生表达能力更强的鲁棒图像特征。同时,针对主流的深度学习模型中特征池化方式单一,且忽视了图像的局部特征信息的问题,本文提出的方法将局部特征与全局特征相融合,使通过网络模型得到的融合特征更有利于分类任务,有效提升了多姿态变化下人脸识别算法的性能。2.本论文设计了一种基于人脸几何结构保持的生成对抗网络模型(Geometry Structure Preserving based Generative Adversarial Network,GSP-GAN)用以解决任意姿态变化下人脸图像正脸化及识别的问题。目前基于生成对抗网络的正脸化生成方法虽然能通过图像间的像素级约束产生出可视效果良好的样本,很难捕获输入图像的几何结构(如人脸的轮廓,五官等)。该模型从可视化的直观性出发,引入了全局注意力与局部注意力的机制,将人脸图像划分为整张图像(整体信息)和五官分块(局部信息)分别送入判别器网络中以获得更加准确的反馈信息。该模型以任意姿态下人脸图像作为输入,能够生成视觉效果良好的正面人脸图像,有效解决人脸图像姿态变化对识别效果的干扰问题。在Multi-PIE多姿态人脸数据集上的大量实验,验证了模型方法的有效性。