人脸识别技术是近几十年来飞速发展的领域,得到了广泛的关注。随着深度学习的不断发展,对人脸识别的研究取得了许多突破性的进展。基于深度学习的识别算法甚至超过了人类肉眼的水平,然而这些研究大多是在正面人脸或者近似正面人脸的前提下,因此这些研究都存在着一定的局限性。本文为了解决多姿态人脸识别,从生成正面人脸的角度出发,深入研究了现有基于生成对抗网络的偏转人脸转正算法,并在此基础上提出了两种人脸转正方法。本文主要的研究工作如下:1)提出了一种基于边界均衡生成对抗网络（Boundary Equilibrium Generative Adversarial Network,BEGAN）的双通道偏转人脸转正算法。为了解决传统生成对抗网络由于不合理的距离度量导致的训练困难、模式崩溃等问题,进一步提高人脸转正的效果,首先,借鉴BEGAN的网络结构设计思想,将判别器设计成自编码器,并将判别概率值改成连续的能量值,能够使得训练过程更加稳定高效,提高生成样本的多样性;其次,添加Light-CNN特征提取模块作为生成对抗网络中的第三个结构,同判别器一同与生成器进行对抗,保证生成前后的身份一致性;最后,与其他算法相比,采用了较为简洁高效的网络结构,避免了对人脸进行多尺度的特征提取,大大减轻了计算负担。在多种数据集上进行的定性和定量对比实验证明了该算法对网络结构的改进是有效的;2)提出了一种基于姿态先验的多角度人脸转正算法（Pose-aided Generative Adversarial Network,PA-GAN）。在生成对抗网络中加入偏转人脸的姿态先验参数,能够在增加约束条件的同时加速网络的收敛。首先,提出了一种基于随机回归森林的RGBD图像头部姿态估计算法,能够得到准确率更高的姿态估计结果;其次,将双通道网络结构修改为单通道结构,这是因为双通道网络结构为了得到人脸细节区域对偏转人脸进行了特征点定位,这限制了双通道网络结构能够应用的姿态变化范围;最后,采用了BEGAN的思路来设计网络结构,避免了深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Network,DCGAN）等网络结构带来的诸多问题。在公共数据集上展开的多重实验结果表明,该算法能够对姿态变化范围更广的偏转人脸进行有效转正;3)构建了一个姿态鲁棒的人脸识别系统。该系统实现了实时入库、人脸检测与定位、人脸特征点提取、人脸转正、人脸识别等功能,具有良好的交互性,能够实时展示人脸识别结果,该系统的搭建对基于人脸转正的多姿态人脸识别方法有着重要意义。