深度学习近些年来在各个领域取得了令人瞩目的成就,而人脸识别这个计算机视觉的重要研究方向,也因为深度学习的发展而取得了很大的进步。日常生活中,人脸识别大多应用在受限制的环境下,对于人脸的姿态、表情、光照等有严格要求,例如刷脸支付、车站闸门,这种环境下都需要人脸正对着采集设备。而在非受限的环境下,由于姿态、表情、光照等因素的影响,往往会增加识别的难度,在一些应用场景中,大多情况下我们采集不到正面的人脸,以致由于人脸自身遮挡造成信息缺失,而造成识别准确率下降。所以,人脸转正对于在非受限环境下的人脸识别具有重要意义。本文所研究的内容包含人脸的姿态和表情归一化,利用人脸三维形变模型对二维人脸图片进行三维建模,通过三维基准人脸模型以及调整人脸的形状、表情系数,拟合出目标人脸三维模型。通过三维网格化技术将目标人脸模型的姿态、表情归一化,即人脸转正,消除由于人脸姿态和表情的差异而导致的同一人脸间特征信息的差异。转正过程中人脸的轮廓边缘,由于所定位的特征关键点在三维建模过程中有所移动,以及表情的归一化造成轮廓边缘不一致的现象,本文通过该网格与临近网格之间的关系来修正。对于人脸转正后由于自身遮挡造成的信息缺失,本文提出一种利用可控卷积神经网络和光谱归一化马尔可夫判别器相结合的图像修复网络来补全缺失信息。可控卷积层是在普通卷积层的基础上,对输入图像中有效像素和无效像素(缺失区域的像素)进行区分,只考虑有效像素。可控卷积网络适用于缺失区域形状不规则的条件下,符合人脸转正的场景需求。并且我们还将上下文信息模块集成在同一个优化网络中,以更好地捕获依赖关系。经过设置实验和对比分析,表明了本文所提出的人脸转正方法无论是在受限环境下或非受限环境下均有良好的识别性能,并且对不同的姿态和表情的人脸都能很好地归一化,显著提升了人脸识别的精度。相比较传统的人脸转正方法,本文的方法在各项指标均有一定提升;相对于基于深度学习的人脸转正算法,本文的方法也有相当的识别精度,并具有独特的优势。