当前大多数人脸识别方法将识别精度作为唯一的衡量指标,即试图找到一个精确的分类器以实现最低的误分类误差。但是此假设仅在所有错误分类代价均相等的前提下才成立,而实际生活中不同的误分类代价是不同的。另一方面,当前大多数人脸识别研究都是基于标准正脸数据库的。但实际生活中,我们通常无法直接获得正脸图像,我们获得的可能是任意角度的侧脸图像。如何通过侧脸图像获得正脸图像以达到更好的识别效果是一个重要的问题。尽管此前已经有人提出了基于数据驱动的深度学习方法,通过大量的人脸数据来找到解决方案,但是由于有用信息的数量实际上是递增的,因此我们仍然无法一时间立即获得足够的信息,所以这个问题仍是具有挑战性的。因此,如何在信息不足的情况下获得正脸图像,以使人脸识别达到最佳效果就显得尤为重要。为了解决这个问题,本文提出了一种基于双通道生成对抗网络的代价敏感序贯三支决策方法。首先,利用双通道深度卷积生成对抗网络合成正脸图像,然后在对合成的正脸图像进行识别分类时引入代价敏感学习和三支决策理论。本文在生成对抗网络训练过程中制定序贯策略,在每个序贯步骤中,此方法力求最大程度地降低错误分类的代价,而不是错误分类的错误率。此外,如果没有足够的高质量面部图像信息,我们还将边界域引入到决策集中以做出延迟决策。实验部分本文将所提方法与传统二支决策在决策代价、总代价、识别率等方面进行了详细的对比,实验验证了所提方法具有一定优势,同时也证明了将代价敏感学习与序贯三支决策理论引入人脸识别问题的必要性。