近年来,网络媒体及数字成像技术的飞速发展使得人脸图像数据越来越容易获取和共享,特别是随着深度学习的突破,人脸识别、人脸支付、监控系统等多场景下的应用技术也越来越成熟,以人脸图像相关的各类应用在日常生活中越来越普遍,从而导致了人脸图像在各类网络应用的过度采集,使得人脸信息隐私安全受到了极大的威胁。当前,人脸隐私保护已经成为计算机视觉领域的研究热点,对于加强网络信息安全具有重要的研究价值。本文针对人脸图像在不同场景下的隐私安全问题,结合深度学习的图像生成模型开展人脸隐私保护算法研究及应用。主要贡献如下:（1）针对社交分享、监控系统等对身份信息要求不高的应用场景,本文提出了一种基于面部姿态一致性的人脸匿名方法。该方法设计了一种条件自编码器,输入的人脸图像首先经过预处理,去除人脸面部隐私区域,经过特征提取网络学习原始人脸中的特征信息,通过一个小型的特征映射网络,将提取的特征信息转换为满足正态分布的风格向量,随后经过Style GAN2网络生成人脸图像。该方法设计了一种加权损失函数,可以学习到一种随机的身份信息,达到匿名的目的,并且生成的人脸图像可以很好的保留原始图像中的面部姿态信息,生成的图像大小可以达到1024×1024PPI。在多个公开人脸数据集上的实验结果表明,所提模型可有效匿名人脸图像、保护人脸隐私信息,并且对于在开放场景采集的人脸图像也能取得不错的匿名效果。（2）针对人脸门禁系统、人脸支付等对身份信息要求较高的场景,本文提出了一种基于身份保留的人脸属性域迁移方法。该方法设计了一种条件生成对抗网络,采用基于Vi T结构的编码器,可以更好将图像映射到特征空间,再通过转置卷积生成去隐私人脸图像,用户可以在局部面部属性和全局面部属性选择其中的一种或者多种属性进行混淆。模型中设计了一种身份保留模块,使得生成的人脸图像在抹除面部属性信息的同时保留原始身份信息。实验结果表明,该方法可以有效保留原始图像的身份信息,并保护了人脸的面部属性隐私,在图像生成效果上更加真实。（3）针对不同场景下的不同隐私需求,本文基于B/S架构设计设计并开发了人脸隐私保护系统,对本文所提出的人脸隐私保护算法进行集成和应用。该系统主要包括数据采集、数据预处理、数据生成三个模块,分别实现对用户图像的获取、人脸对齐和去隐私图像生成,分为人脸匿名和身份保留两个图像使用场景。并对开放场景下的数据采集方法、生成模型的生成速度和鲁棒性进行模型参数优化,能够较好地满足用户在多场景下对人脸隐私保护的实际应用需求。