人脸是人类向外界传递信息的重要渠道之一,是辨别身份最直接的代表。利用人脸图像特异性高、易捕获的特点,可以通过人脸识别技术来确定人脸与人物身份之间的关系。人脸识别是目前身份验证最方便有效的方法手段,广泛应用于火车站检票、手机解锁、考勤打卡等重要场景。但随着近几年新冠疫情的高能传播,佩戴口罩成为了主要的防疫措施,人脸的大面积遮挡问题大大降低了人脸识别的准确率。为了降低疫情期间在公共环境下人们摘除口罩进行人脸识别时造成二次传播、感染的几率,有必要进一步的提高人脸识别的技术及其精度。本文主要工作如下:针对目前人脸识别系统识别佩戴口罩人员身份正确率偏低的问题,通过在人脸识别系统之前搭建一个针对性更强的人脸修复系统,尽可能的修复出高精度、高还原性的人脸图像,从而提高人脸的识别率。追求高精度高还原的人脸修复一直是近几年来不少研究人员的热门课题之一,但因其人脸的复杂多样性,难以提高人脸图像修复的真实性、可控性以及清晰度。针对以上的问题与挑战,本文在深度学习的基础上,结合多任务卷积神经网络（Multi-task Convolutional Neural Network,MTCNN）与生成对抗网络（Generative Adversarial Networks,GAN）技术,从人脸识别定位和人脸修复两个方面展开研究,提出了一种高效的人脸图像修复模型。人脸修复五官位置的准确度取决于人脸识别定位的准确度,针对人脸修复过程中出现的人脸误检以及修复的五官位置不准确的问题,提出了一种基于多任务卷积神经网络的人脸识别定位模型。首先,引入图像分类Inception V2模块,并在结构中添加批量归一化操作,提取更多特征信息的同时深化特征映射的维数,提高其五官位置的准确度;其次,选用均方误差（Mean Square Error,MSE）损失函数并优化其相关系数,提高训练的学习效率和稳定性;同时加入了人脸误判判别公式保留正确的人脸信息。针对人脸修复过程中图像失真、模糊以及人脸五官修复精度不高的问题,提出了一种基于生成对抗网络的人脸修复模型。首先,设计了生成模型和判别模型的结构和参数,增加结构的稳定性,引入逐信道全连接层和归一化层,降低丢失图像特征的概率,提高模型训练的收敛速度;其次,激活函数中引入tanh函数以及Leaky Re LU函数,并提出一种改良的Sigmoid函数扩大其不饱和区域,解决生成对抗网络容易梯度消失或梯度爆炸的问题;同时,采用自适应梯度优化算法替换常用的随机梯度下降算法提高图像的逼真度;在自身对抗损失函数的基础上引入Wasserstein距离,并引进全变分损失函数和重建损失函数,解决生成对抗网络训练过于自由的问题,提高修复图像的清晰度,解决图像失真的问题。综上分析后,本文在相关数据集上进行了实验,并与几种人脸识别与修复算法进行对比,通过实验表明,优化后的人脸修复模型,可以使五官位置更加准确,模型的预测效果更加真实清晰,人脸修复问题得到进一步改善,更加有利于人脸的身份识别。