随着信息技术和人工智能的发展,人脸识别技术的应用越来越广泛,给我们的工作、生活提供了极大的便利。当涉及复杂环境的人脸识别时,人脸识别往往面临很多问题,如遮挡问题、光照变化等。基于这些复杂环境的人脸识别也成为当下研究的热点。针对人脸自遮挡、面部配件、物理遮挡等复杂遮挡问题,本文研究了基于多角度人脸重构和Gabor字典学习的无约束人脸识别。主要包括以下几个方面的内容:首先,许多基于数据、模型分析的方法被提出用于克服姿态、遮挡和光照对人脸识别的消极影响,而多姿态的正面人脸生成由于其病态性,一直是研究的热点和难点。第三章专注于使用一个简单的模型来克服姿态变化对人脸识别的影响,提出了基于多姿态人脸重建和Gabor字典学习的人脸识别。身份损失函数、对称损失函数和新颖的角度损失函数加入网络训练过程中重建更真实的人脸重建图像,并将重建图像与构建的基于Gabor噪声字典学习的算法结合,更好的完成样本分类。CAS-PEAL数据集上人脸验证实验结果比最新的正面人脸重建方法高10.19%。AR数据集上人脸识别实验结果比最新的人脸识别方法高0.64%-2.79%。其次,无约束人脸数据给人脸识别带来了巨大的挑战。经典人脸识别算法在无约束人脸数据集LFW上的识别率在30%左右。为了应对无约束人脸识别,第四章提出了基于真实感的特征感知在双模式人脸变换下的人脸重构,设计了基于双模式的人脸变换数据模型分别处理大姿态图像的纹理变形和小姿态图像的特征损失。更重要地,提出了内容损失函数和身份损失函数相结合的感知损失模块,应对真实感正面人脸生成。在CAS-PEAL数据集上,SSIM（Structural Similarity）图像质量评价结果比最新方法高32.80%-42.70%。最后,为了解决无约束人脸识别下的人脸遮挡问题,将第四章的人脸信息重建应用于遮挡人脸识别,提出了基于双模式特征感知（DM-FPFR）的无约束人脸识别。将基于三维人脸模型的人脸信息重建模型与基于Gabor的遮挡字典学习算法结合,重构被遮挡的人脸,增加数据表示的多样性,完成无约束人脸识别。与经典算法相比,CAS-PEAL数据集的精度提高了40.30%。在LFW数据集上,人脸识别实验结果比最新的算法提高了5.57%-12.21%。