模拟画像是由画像师通过目击证人的描述,结合刑事相貌学和画师个人经验,对嫌疑人进行肖像绘画,在刑侦工作中具有重要作用。由于其专业性,使用门槛较高,且现有模拟画像系统依赖图像合成,存在拼接人脸图像生硬、缺失启发性推荐、人脸编辑不够灵活、肖像人脸细节缺失的问题和不便于进行大规模检索的问题。本文针对模拟画像系统存在的问题和关键技术展开研究,具体研究内容如下:（1）目前人脸肖像化和重建主要依靠成对的数据建立映射,但模拟画像中的肖像人脸化数据是不成对的,而当前非配对训练的人脸肖像化网络存在参数量巨大、收敛困难,生成和重建结果质量低等问题。因此,本文将方向向量作为约束,利用参数共享的设计,重新设计了对偶学习任务,提出了基于方向条件的循环一致性对抗生成网络。实验表明,本文所提网络与非配对训练的Cycle GAN相比,网络参数减少34%,生成图像的PSNR值提升6.25%,SSIM值提升17.65%,并且明显提高了人脸肖像化生成和重建的图像质量。（2）当前模拟画像系统中画像过程缺少启发性推荐,导致系统使用门槛高、画像结果五官不协调;人脸属性编辑时依赖数据集标签,主要方法和数据针对彩色人脸,不适用模拟画像的肖像人脸编辑。因此,本文对人脸组件进行智能分类和口语化映射,基于关联挖掘的人脸推荐算法,在部分线索下实现了人脸的推荐。提出基于彩色人脸的样式编码提取编辑方向,解决了肖像人脸编辑的问题,通过关键点变化规律进行调优,增加了同属性下的编辑编辑,实现了更加方便、灵活的肖像人脸编辑网络,满足刑侦场景下的复杂要求。（3）在模拟画像系统中,需要对肖像人脸进行彩色重建,由GAN生成的彩色人脸照片,常因计算资源和数据集限制,出现分辨率下降、细节丢失等问题。当前超分辨率方法依靠固定的退化数据进行监督学习,并不适用实际场景下包含复杂噪声的退化图像。因此,本文提出了基于自监督方式,在生成对抗网络的潜在空间上超分再下采样计算损失。实验表明,本文所提方法可以在编辑后劣化的彩色重建人脸上生成高分辨率的逼真图像,人脸图像NIQE提升了23.6%。