人脸识别是指利用计算机系统对输入的人脸进行分析并比较其有效的特征信息来分辨被输入者身份的技术,其中处理人脸差异是人脸识别的关键所在。现有的人脸识别在受限环境下趋于成熟,然而在非受限环境下,人脸会受遮挡、光照、姿态等因素的影响出现差异性,降低人脸识别的性能。研究非受限环境下的人脸差异对人脸识别技术的应用具有重要的实用价值。本文针对非受限环境中的遮挡与姿态因素,通过结合生成对抗网络框架,提出了以下两种人脸生成算法。（1）针对非受限环境下的人脸遮挡问题,本文提出了一种基于生成对抗网络的人脸图像修复算法,以达到还原缺失区域、补全身份特征的目的。该算法引入预测人脸解析的模型来提升修复人脸图像的真实度与清晰度,并同时引入交叉感知注意力机制来提升前景区域与背景区域的特征关联性。为了提高任意形状遮挡下的人脸图像修复效果,该算法还引入了门卷积与Patch-GAN判别器。实验结果表明,本文提出的算法相比于目前的图像修复算法,在视觉效果与评价指标两方面均有所提升。（2）针对非受限环境下的多姿态问题,本文从风格迁移的角度出发提出了一种基于生成对抗网络的姿态转换模型（Face pose conversion Model,FPM）。该算法利用生成对抗网络的域迁移能力,将输入人脸图像的姿态转换到指定姿态,以达到缩小类内差异、优化身份特征的目的。FPM引入了基于人脸识别模型的身份感知损失,利用其先验知识保持姿态转换过程中的人脸身份。为了提升网络的生成效果,FPM通过生成人脸姿态的还原引入像素级的监督。实验结果表明,本文提出的FPM可以保持身份的同时改变人脸的姿态,提升了人脸识别性能。