当今,全球已步入万物互联和人工智能时代,随着智能识别技术的发展和普及,人们在获得便利的同时隐私安全正遭受着潜在的威胁。在视频监控和社交网络的大范围覆盖下,人脸数据成为最容易获取的生物特征隐私信息。因此,在大数据时代下,人脸数据的隐私问题值得人们深思,如何在隐匿人脸身份信息的同时保留人脸属性信息具有重要的研究价值和意义。本文学习了现有的人脸数据隐私保护方法,受监督学习和生成对抗网络的启发,提出了一种新的人脸数据隐私保护方法,在实验改进后实现了保护人脸数据隐私的同时提高了数据可用性。本文的主要贡献如下:（1）本文提出一种基于条件生成式对抗网络的人脸数据隐私保护算法。该方法能够在保留原始数据分布的同时自动匿名图像中的人脸,是一种端到端的方法。该模型基于条件生成对抗性网络,生成图像考虑原始人脸姿态和图像背景,利用边界框注释标识人脸隐私敏感的区域,同时引入人脸关键点特征作为条件信息辅助生成器模型的训练,使用改进的U-Net用于增强所生成图像的质量。人脸关键点信息的引入,使得该模型能够生成高度逼真的匿名人脸,并在生成的人脸和现有背景之间无缝过渡。在人脸数据较为丰富且包含关键点注释的公开数据集CelebA和MTFL数据集上进行实验,证明该模型能较好的实现人脸数据隐私保护。（2）为进一步提高匿名后的人脸的数据可用性,使生成的人脸更好的保留原始人脸的表情属性信息,提出对表情鲁棒的人脸数据隐私保护改进算法。在上述人脸数据隐私保护算法基础上,通过引入Emotion人脸表情识别模型,对生成的人脸进行表情识别,与原始人脸表情标签进行对比,优化损失函数,使生成器提高对原始人脸的表情的关注度,使其对表情鲁棒和面部关键点的关系。改进后的模型在具有人脸表情标签的RaFD数据集上进行训练和测试,将实验结果与前文模型比较,证明改进后的模型生成的匿名人脸可以在不影响隐私保护性能的前提下实现人脸表情属性的保留,提高了数据可用性。