人脸属性，例如眼镜、表情、姿态等，是对人脸除身份信息外的描述。不同于人脸属性预测，人脸属性分析与编辑解决了一个对偶问题，即在保持人脸身份信息的条件下，生成该人脸特定属性的图片或特征。该技术广泛应用于人脸动画，人脸识别等领域。在实际场景中，人脸属性分析与编辑仍然面临着诸多挑战，例如人脸身份信息丢失，人脸属性无关的部分被修改，大姿态条件下的人脸图片生成结果很差等。本文主要对人脸属性分析与编辑存在的问题进行了研究，主要工作总结如下:　　(1)研究了人脸属性编辑技术，包括去眼镜，加眼镜，表情编辑等。现有的基于生成对抗网络的方法不可避免地修改了人脸图片中属性无关的部分，进而难以保持人脸身份信息。针对上述问题，本文提出了一种基于空间注意力机制的生成对抗网络，使网络仅仅修改人脸属性相关的部分，可以在保持人脸身份信息的条件下，生成真实的人脸图片。此外，本文的方法可以有效地对现有的人脸数据库做数据增广，来提高人脸识别率。　　(2)研究了三维人脸重建技术。传统的基于三维可形变人脸模型的方法，需要检测人脸关键点的位置以及需要复杂的在线优化方法优化模型参数。一方面，当人脸姿态较大时，一些人脸关键点不可见，导致了三维人脸重建精度较低;另一方面，复杂的在线优化方法导致了三维人脸重建无法满足实时性。针对上述问题，本文提出了一种基于多任务级联回归网络的方法，同时回归人脸姿态，人脸特征点以及三维人脸结构，并提出了改进的形状索引特征(Shape Index Feature)。最终，使得大姿态条件下三维人脸重建精度提高以及实时重建三维人脸结构。