近年来,人脸识别作为一种基于脸部特征信息进行身份识别的生物识别技术,在智能安防、金融交易、公共交通等领域都有着广泛应用。随着硬件性能的提升和软件算法的改进,人脸识别技术也日趋成熟。不过,由于人脸在不同姿态下差异性很大,对大偏角的人脸图像进行识别仍然存在许多挑战;同时,多姿态人脸数据库的样本不足会对后续的多姿态人脸识别模型训练造成一定困难。针对上述问题,本文提出了基于生成对抗网络的人脸转正算法和多姿态人脸生成算法。研究主要包括以下两点:（1）针对人脸图像在大偏角下识别率低的问题,本文提出了一种基于双通路注意力生成对抗网络的人脸转正算法。本算法采用了一种双通路的生成器结构,强化了对人脸局部信息的提取,使得生成的人脸更加真实。在判别器方面,本算法使用了基于注意力机制的判别器结构,通过在判别器中加入非局部均值注意力块,使得生成器能够更好地学到人脸结构信息。同时,本算法还在对抗损失函数的基础上引入了像素损失函数、对称损失函数和身份保持损失函数,共同推动生成器生成真实且能够保持人脸身份的正面图像。（2）针对当前多姿态人脸数据库样本不足的问题,本文提出了一种基于循环生成对抗网络的多姿态人脸生成算法。本算法把多姿态人脸生成分为两个子任务:人脸转正和人脸旋转。人脸转正是指把一张侧脸图像映射为一张正脸图像,人脸旋转是指把上一步中生成的正脸图像映射到所需要的姿态。本文提出了一种双阶段的训练方式,在模型训练初期,对两个模块分别进行训练,当模块均收敛时,通过循环一致性损失函数,把两个模块结合在一起训练,进一步提高了多姿态人脸的生成能力。在Multi-PIE、LFW和CFP数据集上的对比实验表明,人脸转正算法不仅能够生成视觉上真实的人脸图像,并且能够有效保留人脸的身份特征信息。在Multi-PIE数据集上的实验表明,多姿态人脸生成算法在生成多姿态人脸的同时能够保留人脸的身份信息,并且后续的数据集扩充实验也表明,本文提出的多姿态人脸生成算法能够有效扩充人脸数据库。