智能化视频监控是公共安全风险防控的重要技术手段,异常人员人脸识别技术是智能化视频监控中的关键技术之一。基于深度学习的异常人员人脸识别技术已经成为国内外人脸识别领域的主要研究方向,目前由于自然场景下人脸图像采集的低分辨率、人脸表情、多姿态、跨年龄、遮挡、化妆、整容等因素所导致的不变型特征分析与提取问题,是该领域的研究焦点。针对这些问题,本文着重研究不变型身份特征提取方法以及基于不变型身份特征的人脸识别方法,研制相应的实用化系统。本论文的主要工作如下:（1）针对现有人脸超分辨率图像重建技术中人脸特征信息提取存在丢失的问题,本文融合坐标注意力机制和人脸身份信息,提出了一种基于坐标注意力的人脸超分辨率图像重建算法（ID Preserving Coordinate Attention Face Super-Resolution Generative Adversarial Networks,IPCA-FSRGAN）。该算法使用GAN网络作为超分辨率模块的骨干网络,以残差密集块作为网络构建单元且不进行批量归一化,利用身份信息保存模块协助生成器在重建过程学会保存面部的身份信息,通过嵌入CA注意力模块扩大注意力的关注区域,捕捉更精细的人脸特征。在LFW数据集上,当放大倍数为4时,该方法与IP-FSRGAN相比结构相似性（SSIM）提高0.005,峰值信噪比（PSNR）提高0.039,尤其是在Y通道上的PSNR提高0.748。（2）针对位姿不变性人脸识别（Pose-Invariant Face Recognition,PIFR）中的位姿变异问题,本文引入单循环残差注意力机制,提出了一种基于解纠缠表示生成对抗网络的异常人员人脸识别算法（Recurrent Residual Attention GAN,R2A-GAN）。该算法使用R2Att U-Net作为生成对抗网络的骨干网络,增加了模型对人脸身份信息的提取能力,通过生成器的编码器-解码器结构使R2A-GAN生成和鉴别身份特征,利用提供给解码器的姿态码和鉴别器中的姿态估计,将身份特征与其他面部特征分开。实验证明,在CFP数据集上,针对人脸偏置角度大于60的人脸图像的识别率达42.63%,同时该网络对训练和测试性能有明显提升。（3）本文采用结构化设计方法,设计实现了一种集人员信息管理、人脸信息采集、人脸识别功能于一体的实时异常人员人脸识别系统。经第三方测试表明,该系统人脸识别的测试精度达到88%。