人脸识别技术在公共安全领域(如身份认证和刑侦破案)发挥着重要的作用。然而,由于环境光线、系统性能和人为因素的影响,实际采集的图像往往存在着各类噪声、光照不均、分辨率低、姿态多样等质量问题,这对后续的身份识别和认证算法带来巨大的挑战。现有的质量评价研究主要针对自然图像的感知质量(如清晰度,美观度等),而实际场景的人脸图像通常是在不可控条件下(各类失真、姿态变化等)获得的,而且在识别任务中图像的生物学质量(如用于身份认证的有效性)更为重要。同时,由于自然场景中捕获的大部分人脸图像都是带有一定姿态,因此在人脸合成领域,传统方法对人脸的合成存在各种问题(图像模糊,身份信息损失,纹理丢失),尤其是极端角度、复杂表情下的人脸图像,利用传统方法正脸化后的图像通常会丢失大量的信息,不利于身份认证与识别。因此,本文将讨论通过深度学习、生成对抗网络等思想,提出了两个新颖的算法:(1)基于轻型卷积神经网络的人脸图像生物学质量评价方法。为了对采集到的数据进行合理的评估,我们利用深度学习方法,结合带有最大特征映射单元激活层的轻量级网络,训练一个鲁棒的失真分类器。进而,根据图像失真分类的置信度与对应失真下人脸图像识别准确度计算最终的质量评估分数。这样的优点是将图像的质量预测与生物学特征相结合,得到的质量分数与生物学特征有着正向关系,可以很好的指示图像在识别系统中的贡献程度。然后,根据预测分数从众多采集图像中筛选出合适的图像进行识别,从而提升识别系统的有效性。(2)基于生成对抗网络的人脸转正方法。为了降低极端姿态对识别性能的影响,同时保留足够的原始信息以方便人为查看。我们的算法在将侧脸图像正脸化的同时,对原始图像的材质、光照和表情做到完好的保留。在算法设计中,我们利用Stack的结构结合生成对抗网络,对侧脸图像进行正脸化的合成和修复。最后得到一张身份合理的正面视图。这张视图在保留着和侧脸图像一致的身份信息的同时,更对人脸识别任务提供有效的帮助。