不完备视觉数据指的是视觉样本类别信息不完备或其本身信息不完备的数据。随着科技的进步,越来越多的视觉数据被收集储存起来。但是与专业完备的数据集相比较,大多数场景下收集到的数据是不够理想的,也就阻碍了这些视觉数据进一步的理解与应用。本文旨在解决存在于不完备视觉数据的样本类别不完备和自身不完备两个问题,主要从两个方面进行展开,即不完备视觉数据的识别与生成。针对视觉数据类别不完备的问题,我们希望借助于类别完备的数据,来实现对缺乏标注数据类别信息的识别。并以零样本学习为目标,针对零样本行为识别、零样本图像识别,将在有类别标注数据上获取到的知识迁移到未标注类别数据之上,来完备标签信息缺失的未标注视觉样本。针对视觉样本本身不完备的情况,我们希望根据不完备的视觉数据,来生成其对应的各种情况下的完备视觉数据,并以多角度人脸的生成及识别、和基于生成对抗网络的人脸语义属性编辑为例,从不同的角度来完备视觉样本空间。本文主要提出了以下几个创新的内容和工作:1.本文提出一种基于视觉关联图卷积网络用于直推式零样本行为识别。我们针对零样本学习中的行为样本在视觉空间内包含了更丰富更精确的判别性特征,提出一种视觉关联的图卷积神经网络,用于可见类别与不可见类别之间知识的传播。所提出的视觉关联图谱把可见类别和不可见类别的视觉关系表示出来,还允许我们探索其中的层次知识,并在其基础上提出了一种分组注意力的图卷积神经网络,可以更好地挖掘标注数据和未标注数据的视觉关系,以实现未标注数据的识别。我们在三个具有代表性的数据集上进行实验和分析,结果证明了所提方法的有效性。2.本文提出一种基于全局关联模型用于零样本学习。我们针对类别完备的样本（可见类别）和类别不完备样本（不可见类别）之间存在着巨大的知识鸿沟这一问题,提出了一种整体关联模型。针对之前工作不能充分挖掘不同类别之间关系的问题,提出一种关系传播网络来解决的,该网络考虑了所有的可见类别和不可见类别的关系,并在此基础上产生不可见类别的典型特征。此外,针对不可见类别中存在的异常点,我们提出了一种渐进式聚类模块,该模块迭代地为未标注数据进行聚类,逐渐地将异常点吸纳到正确的簇中心内,并在此基础上执行类别级的标签匹配。由于我们的方法可以预测出典型的特征以及纯净的聚类结果,可以有效地消除了知识鸿沟。我们在五个数据集上广泛评估了该模型,实验结果表明,在这些不同性质的数据集上,所提出的模型优于最新方法。3.本文提出一种使用脸部光流的渐进式生成对抗模型合成多视角人脸的方法。针对大角度的人脸合成难以保持与原来的脸保持相同细节以及身份信息这一问题,我们提出“分而治之”的策略,将具有挑战性的大角度人脸合成划分为一系列易于进行的小角度旋转来解决此问题。我们综合了基于光流方法和基于生成对抗网络方法的优点,设计出了一种由面部光流引导的生成对抗网络来实现小角度的人脸合成。具体来说,所提网络由两个模块组成,一个面部光流模块,旨在计算输入脸和目标脸之间的密集对应关系。它为基于生成对抗网络的人脸合成模块提供了有力的指导,强调并突出的面部纹理细节。我们循环使用该模型以逐步合成不同视角下的人脸,同时保持了面部的细节以及身份信息。我们分别在理想情况和真实情况下搜集的数据集上进行实验,结果表明了所提方法在保持脸部细节以及身份信息的有效性。4.本文提出一种利用多张连续图像反转生成对抗网络实现人脸属性编辑的方法。针对现有反转生成对抗网络的方法不能兼顾重构的精确性和可编辑性这两点,我们通过将连续图像引入反转过程来解决这一问题。具体来讲,基于连续图像我们设计了两种约束,第一个约束迫使每个反转的隐编码都可以从另一个编码上进行语义访问,并固定在可编辑的范围中;第二个约束加强图像间的连贯性,以便每张重构图像的精确性可以与其他图像达到互补的最大化。我们分别在真实数据和生成的数据上进行实验,不管是从重构的精确性还是隐编码的可编辑性上来评估,我们的方法都明显优于最新的方法。此外,我们的方法还提供了一些有意思的应用,如基于视频的生成对抗网络反转,以及从连续图像进行无监督语义转移等。