受益于深度学习方法的快速发展和易于访问的大量注释的人脸图像,人脸识别技术近年来取得了重大进展。虽然已经在几个基准数据集上实现了超越人类表现,但姿势变化仍然是许多现实应用场景的瓶颈。2014年,Ian Goodfellow提出的生成对抗网络为图像生成和人脸姿态转换打开了新的思路。本文拟采用基于条件生成对抗网络的方法,解决人脸姿态转换的问题。原始条件生成对抗网络在最优判别器条件下,容易因为梯度不稳定,导致网络崩溃。为了解决这个问题,使用Wasserstein距离代替JS散度进行计算,并对网络结构进行了改进。同时,网络训练权重更新中的多层相互耦合问题引起的参数搜索、超参数选择困难以及噪声数据干扰引起的过拟合等问题也存在于网络之中。故本文在网络中加入了批量归一化和dropout正则化方法。实验结果表明,改进后的网络具有更好的稳定性,证明了改进方法的有效性。WGAN解决了网络稳定性问题,但是其采用的权重剪枝方法带来的权值集中和梯度爆炸等网络问题也应运而生。本文基于WGAN-GP改进方法,使用箕舌线函数优化惩罚项参数,使得参数与真实分布和生成分布的距离紧密相关,使得惩罚项起到更好的优化作用,并通过实验证明了此优化方法的可行性。通过实验结果发现,网络存在生成图像质量不佳和rank-1识别率不高的问题。本文融合像素级L1损失函数和结构相似性损失函数,分别从减少图像模糊和提升人脸结构合理性两个方面提高图像质量。实验结果证明了融合像素级L1损失函数和结构相似性损失函数的算法有效性。