随着社交网络的快速发展与人脸识别系统的广泛普及,用户在社交网络中发布的包含个人身份特征的图像和视频越来越多,这些图像与视频非常容易被恶意用户利用来攻击人脸识别系统,从而威胁用户的合法利益。社交网络的隐私保护方法对计算效率有较高要求,并且需要在保证图像视觉效果没有受到较大影响的前提下尽可能增加隐私性。传统的基于对抗样本的隐私保护方法计算效率较低且方法的隐私性能受到目标模型知识的限制,在对抗样本的计算过程中需要攻击者具备对模型梯度的完全白盒能力,且对抗样本的隐私性能极大程度取决于影子模型与目标模型的相似程度。与此同时,现有基于生成对抗网络的隐私保护方法极大程度的改变了图像纹理,破坏了图像的视觉效果,难以应用到社交网络场景。针对上述问题,本文以生成对抗网络为核心,提出一种针对人脸识别模型的图像与视频的社交网络隐私保护框架,首先在第三章中设计了基础的图像色彩重构模型,其次在第四章中设计了一种应用于基础图像色彩重构模型的注意力隐私化方法,最后在第五章将图像隐私保护方法推广到视频隐私保护中,本文的主要工作和贡献如下:（1）针对社交网络场景的隐私保护需求,提出了一种基于图像色彩重构的隐私保护方法,将图像样本从RGB色彩空间映射到LAB色彩空间,通过计算图像特征向量间的余弦距离得到图像亮度空间的纹理相似度信息,利用生成对抗网络对图像在LAB色彩空间进行重新着色。（2）针对传统的生成对抗网络方法会在整个输入图像上进行像素修改从而导致较大的像素损失,影响图像视觉效果的问题,本文在图像色彩重构模型的基础上提出了一种身份信息注意力隐私化方法。该方法将模型的关注度集中于图像中的人脸像素区域,减少了模型对图像中非人脸区域的像素修改,且隐私样本的生成过程不需要引入额外的人工成本与数据预处理操作。本文在多个公开数据集上与已有的基于对抗样本和基于生成对抗网络的隐私保护方法进行对比,实验结果显示本文提出的方法具有较高的隐私保护性能,相比已有的基于对抗样本的方法具有更高的计算效率,相比已有的基于生成对抗网络的方法具有更好的视觉效果。（3）针对现有的视频隐私保护方法计算效率低、视觉效果差等问题,本文在图像色彩重构方法的基础上,提出了一种视频色彩重构的隐私保护方法,即帧序列隐私一致性计算方法。通过该方法将图像隐私保护推广到视频隐私保护中,增强了视频中相邻两帧的时态关系,提升了视频隐私样本的视觉效果。实验结果表明本文提出的视频色彩重构方法具有较高的计算效率和较好的视觉效果。