很多场景下,正面人脸图像是判别人物身份的唯一标准,然而在非受控环境中很难采集到标准的正面人脸图像。人脸转正技术有助于提高实际生活中人物身份识别的效率,同时也弥补了当前人脸识别方法在多角度侧脸下的缺陷。由于人脸的非刚体特性,在人脸转角的过程中,从侧脸到正脸的映射具有高度的非线性特点。深度学习方法能很好的学习到图像的非线性特点。其中,自编码网络和生成对抗网络是深度学习中两个有效的生成模型。自编码网络通过提取图像特征并还原的方式来学习特征,但存在生成图片不清晰的缺点。而生成对抗网络通过博弈的方式促使生成器学习图片特征,但是收敛速度比较慢。本文基于深度学习中的两大生成网络,提出了一种针对多种偏转角度下的人脸转正模型。该模型结合了自编码器和生成对抗网络的优势,并通过深度学习方法添加了人脸角度的信息,提高了多角度情况下的人脸转正效果。论文的主要工作包括两个方面:首先,本文提出了一种针对多种人脸侧面转角的人脸转正模型-姿态加权生成对抗网络,它增加了一个预先训练的姿势认证模块来学习面部姿势信息。对于单张输入图像,本模型将侧脸提取的混合特征与姿态特征相结合。对于多张输入图像,本模型使用姿态信息和特征图像素跳跃度在融合特征时动态分配每张侧脸特征图的权重。本模型充分利用姿态信息,使生成网络更好地学习了侧脸图片中的人物身份特征,获得更好的生成效果。其次,基于此人脸转正模型,本论文设计并实现了多角度人脸转正系统。该系统主要包括侧脸转正模块、模型训练模块、人脸数据库模块和日志模块,可以实现单张或多张侧脸照片的人脸转正、人脸相似度匹配、多模型训练和人脸图库存储检索等功能。实验结果表明,姿态加权生成对抗网络可以有效的生成单张或者多张侧脸所对应人物正脸照片。并在多角度的情况下取得更加真实的生成效果,更好的保留了人物的身份特征,提高了人物侧脸的识别效率。