近年来,卷积神经网络和生成式对抗网络的兴起使得人类在对图像的处理更加具有想象力,对图像编辑、人脸识别、安全验证等领域都发挥了重要作用。图像编辑技术一直是一个热门的话题,传统的图像编辑软件例如Photo Shop等一直受到广泛使用,但是由于一些传统算法的局限性,不能有效地处理残缺的图像。近来,一大批基于深度学习算法的图像修复技术应运而生,极大地克服了传统算法的局限性。然而已有的深度学习算法在应对缺失的图像时产生的结果图往往带有明显的人造痕迹,原因在于直接从三通道RGB图像进行修复会加大修复的不确定性。受到美术领域素描技术和生成式对抗网络的启发,本文考虑先利用轮廓塑形,再对其进行填充,故提出了一个两阶段修复模型用于对残缺人脸图像的修复。在该模型中,第一阶段利用残缺图像的灰度图和掩膜提取出已有的轮廓,经过生成式对抗网络的生成器得到预测的轮廓图;第二阶段利用预测的轮廓图和缺失的原图再生成预测的三通道彩色图像。通过实验从定性和定量两个方面与其他深度学习方法做了对比分析,表明具有更好的效果。由于残缺人脸部分信息的缺失,对其进行识别一直是一个难点,传统的子空间回归、鲁棒误差编码等方法均无法取得令人满意的效果,缺失信息也会对以神经网络为基础的深度学习算法产生特征提取上的困难上。本文为降低缺失区域对识别的影响,提出了对残缺人脸图像的识别的一种解决办法,即先修复缺失部分,再利用余弦相似度代替Face Net中基于欧式距离的三元组损失,并基于权重对比特征向量的相似度进行人脸比对和识别。最后根据需求设计并开发了一款简单的残缺人脸修复识别系统,并对该系统的功能进行了测试,实验结果表明该系统具有比较优秀的准确率。