人脸合成技术是指通过给定的人脸图像来合成另外一种形式的人脸图像。该技术在刑事侦查、动画娱乐、人脸验证等众多领域都有重要的研究意义和应用价值。随着机器学习技术的迅速发展和人工智能时代的来临,人脸合成技术取得了突破性的进展,但是合成人脸图像器官扭曲变形、细节特征保持不佳、局部区域模糊等问题依然存在。面对以上技术难题,本文分别从跨年龄人脸合成和人脸素描-照片合成两个方向展开对人脸合成关键技术的研究,具体研究工作总结如下:（1）针对跨年龄人脸合成工作中容易出现的人脸器官扭曲变形、人脸局部结构特征保持不佳等问题,本文提出了一种基于条件对抗自编码器的跨年龄人脸合成算法。首先,该算法设计了一种基于区域关注的编码器-解码器结构,在解码器之中引入了通道域关注模块和空间域关注模块,这使得人脸合成过程中能够忽略背景信息,更好地集中于人脸区域,能够更好地避免合成过程中人脸器官扭曲变形等现象的发生。其次,该算法设计了一种多尺度特征损失网络,该网络能够从多个尺度更深层次地约束人脸图像的局部结构特征,具有更好的人脸区域局部结构特征保持效果。实验结果表明本文提出的算法模型相较于基于传统的条件对抗自编码器模型等具有更好的合成效果和细节保持能力。（2）针对人脸素描-照片合成工作中容易出现的边缘细节保持不佳、面部区域细节模糊、图像缺乏真实感等问题,本文提出了一种基于循环生成对抗网络的人脸素描-照片合成算法。首先,该算法构建了一种循环生成对抗网络作为基础架构,通过目标域图像和源域图像双向生成对抗来合成目标域的人脸图像,并且该算法设置了多尺度判别器,能够对合成过程中不同尺度的人脸图像进行判别,使得人脸图像细节保持效果更好。其次,该算法在生成器中嵌入了金字塔注意力模块,使得人脸合成过程中更加关注人脸面部细节,能够更好地避免合成图像面部区域细节模糊等问题。最后,该算法构建了边缘提取算子模块对合成人脸边缘进行约束,使得合成人脸图像具有更好的边缘细节。实验结果表明本文提出的算法模型相较于一些经典的算法模型等具有更好的合成效果和细节保持能力。