随着卷积神经网络不断发展,以人脸为对象的视觉任务研究和产业落地已取得长足进步,如广泛应用于社交、金融等领域的人脸识别。近期包括视频会议、短视频和网上授课等以人为主体的流媒体规模不断扩大,对于数据中2D人脸更加智能的理解和编辑需求变得越来越迫切。本文从人脸部位出发,主要研究人脸的理解和编辑两个方面,首先提出了两个基础的人脸部位分割算法,然后提出可用于视频会议中实时人脸去口罩的嘴部补全算法。人脸分割指从2D人脸图像中计算每个像素点所对应的语义成分（如头发、嘴巴、眼睛等）。受人类生理视觉系统的启发,本文提出了一种新型的RoI Tanh-warping图像变换操作,它将图像中的中心视觉和外围视觉结合在一起,解决了既要聚焦在有限的RoI区域和又要处理图像外围不可预测的区域之间的两难问题。FS-ROI使用基于分层次的局部方法来处理人脸内部部位,同时通过全局方法来处理人脸外部部位。实验结果表明,在LFW-PL和HELEN两个公开基准数据集上FS-ROI的分割精度超越了已有的方法。针对远离人脸中心区域的预测误差放大问题,本文提出了一种基于边缘注意力的混合卷积神经网络FS-ROI-NSM。该网络增加了一个精细化头发处理的分支,进一步提高边缘头发预测精度。FS-ROI-NSM中RoI Tanh-warping分支和NSM分支整合在一起,分别处理相对固定的人脸内部区域和未知区域。整个框架简单、原理性强、可以进行联合优化训练。FS-ROI-NSM在LaPa数据集上相对于FS-ROI有更好的分割精度,更多的分割结果表明本文提出的方法能处理各种场景下的人脸分割问题。在人脸部位补全方面,本文提出一个新颖的去口罩算法MFRA,该算法可以实时地补全戴口罩的人脸被遮挡区域,应用于视频会议上可使参会人员看到其他人如同没带口罩一样。MFRA将音频输入映射到3DMM表情系数,利用多模态信息引导生成对应的嘴形区域,并通过属性ID解耦的生成网络生成与参考图像ID一致的嘴巴外观。实验结果验证了该算法具有良好的去口罩效果,并能达到更好的视频会议体验。此外通过轻量级网络设计和工程优化,该算法达到了准实时运行的要求。