人脸属性迁移任务作为计算机视觉领域一个重要的研究分支和人脸属性研究的基础工作,旨在精准地迁移给定人脸属性图像中的目标语义属性。近年来,深度学习的发展推动了人脸属性迁移任务的研究,现有的人脸属性迁移算法一方面通过迁移不同的人脸属性,达到了交互式娱乐的效果;另一方面通过合成更多的人脸数据,一定程度上缓解了人脸属性分析任务中数据量不足和类别失衡等问题。然而,由于复杂的面部结构和模糊的人脸属性定义,现有算法仍然存在属性信息解耦不完全的问题,导致在修改目标属性区域的同时,造成面部无关信息发生改变,产生人脸身份信息改变、人造伪影等问题。鉴于此,本文从基于参考样例方法和基于条件向量方法两方面对人脸属性迁移技术展开研究。本文主要研究成果如下:（1）以参考样例作为额外条件,本文提出了深度语义解耦人脸属性迁移网络DSD-Net。该网络以条件生成对抗网络为基本框架,通过低秩双线性池化将图像特征与语义属性向量在通道层面上融合,以学习特征通道间成对的相关关系,同时采用注意力机制关注各属性所在位置区域的语义信息,进行人脸属性的定位和解耦。为进一步提升属性解耦的性能和生成高质量的人脸属性图像,该网络采用属性分类判别器和人脸重构损失函数进行约束。在人脸数据集Celeb A和Celeb A-HQ上大量的实验结果证明了DSD-Net在挖掘人脸属性之间的关系和准确迁移目标属性上的有效性。（2）以条件向量作为额外条件,本文提出了基于条件向量的分组解耦网络AGDN进行人脸属性迁移。该方法从两方面着手,一方面,将数据集根据标签和属性值进行层级分组,缓解人脸属性图像的标签条件不平衡造成无关信息改动的问题。另一方面,该网络以循环一致性生成对抗网络为基本框架,采用目标标签属性作为索引将随机噪声映射为不同的样式向量,进一步指导人脸属性特征实现局部属性的迁移。同时,为了充分利用不同分辨率的人脸特征,该方法将编码器与解码器在空间上进行信息连接,并采用无关条件判别器进行约束,防止人脸身份等信息发生篡改。在数据集Celeb A-HQ上大量的实验结果表明,AGDN能够准确迁移目标属性且生成逼真的人脸属性图像。针对以上两种方法,本文进一步对DSD-Net和AGDN两个网络进行定性和定量的对比分析。结果表明,DSD-Net以参考样例为条件生成图像的细节更为丰富,而AGDN在保持属性无关信息上的性能更优。