人脸检测和识别技术作计算机视觉领域的重要分支,在公共安全、身份认证等领域有着广泛的应用。近年来,随着计算设备性能的提高和大数据技术的发展,基于深度学习的人脸检测和识别算法性能大幅提高。而在现实世界的应用中,遮挡限制了人脸检测和识别精度的进一步提升,因此研究遮挡条件下人脸检测和还原算法有着重要的意义。针对遮挡条件下人脸检测与还原任务中存在的特征污染、数据缺乏和修复难以保持人脸识别结果一致的问题,本文基于深度学习框架,从遮挡人脸检测、人脸遮挡分割、遮挡人脸修复三个方面进行了研究和改进,主要工作如下:1、针对遮挡条件下人脸检测任务中存在的特征污染问题,提出了一种基于注意力机制和局部特征的人脸检测算法。在基于锚框的单级人脸检测算法的基础上,对网络提取的特征图金字塔生成了对应的多级注意力图。同时,针对卷积运算中下采样操作造成遮挡特征弥散到人脸特征的问题,改进了提取特征时的下采样操作,将局部特征保存在全局特征的不同通道中。实验结果表明,多级注意力机制和局部特征的利用可以有效地提高遮挡条件下人脸检测算法的精度。2、针对当前人脸遮挡分割算法数据缺乏的问题,提出了一种基于深度自动编码机的无监督人脸遮挡分割算法。通过自动编码机对图像进行编码重建,通过对重建误差图的分析得到遮挡分割的结果。同时,为了改善分割的精度,利用遮挡图像和对应无遮挡图像在非遮挡区域的一致性改进了分割损失函数。实验结果表明,该方法可以有效地以无监督的方式分割出人脸图像中包含的遮挡区域。3、针对当前人脸图像修复任务难以保持修复前后人脸识别结果一致的问题,提出了一种基于生成对抗网络的人脸图像修复算法。在基于深度自编码机的图像修复的算法中引入对抗性损失,提升了修复后图像的真实性。同时,利用预训练的人脸识别网络提取图像中的身份特征,并设计了一种新颖的身份保持损失函数训练修复网络。实验结果表明,该方法可以修复出真假难辨的人脸图像,同时有效的提高了人脸图像修复后人脸识别的准确率。