随着深度学习的快速发展,人脸识别技术已在现实生活获得广泛应用。尽管在多数情况下识别率已经非常优秀,其依然存在一些问题。主要体现在:（1）现有的人脸识别方法对多角度人脸识别依然存在不足;（2）现存的基于中心云人脸识别系统远离终端设备,大量图像数据给云服务器带来高计算负载和低实时性。（1）针对人脸角度变化带来的人脸识别准确率下降的问题,本文提出基于生成对抗网络的方法DSU-GAN,并结合人脸特征学习和人脸生成方法的思想,学习对人脸角度鲁棒的特征。该方法在生成器的编码器中添加可变性卷积（Deformable Convolution）促进人脸特征提取和人脸特征对齐。在解码器中添加自注意力机制（Self-Attention Mechanism）,找出合成人脸图像中关键特征信息。U-Net结构的判别器利用生成图像的多尺度信息为生成器提供逐像素损失,促进生成器合成全局一致性的图像,从而可同时进行人脸特征学习和人脸生成两个任务。（2）针对基于中心云人脸识别系统处理大量数据时面临的低实时和高计算负载的问题,本文提出一种适应边缘计算的实时人脸识别任务调度算法。本文将DSU-GAN模型拆分并部署至边缘服务器和云服务器。边缘服务器可以对人脸进行实时性检测以及特征提取,根据DSU-GAN的中间结果对鲁棒的人脸特征进行快速处理和响应,对于无法处理的人脸识别任务,实时人脸识别任务调度算法根据任务的优先级、云服务器的载荷能力动态地选择云服务器进行处理。最后,本文分别对上述模型及算法进行了大量的仿真实验。实验结果表明,在处理多角度人脸识别问题上,本文提出的DSU-GAN模型在Multi-PIE人脸数据集上的Rank-1平均识别率达95.14%;本文提出的基于边缘计算下的人脸识别任务调度算法与传统的任务调度算法相比,有更快的响应速度和更高的任务完成率。具体地说,在相同的实验条件下,本文提出的任务调度算法的总任务执行时长比轮询调度算法的总任务执行时长缩短16%;而DSU-GAN模型在边缘计算环境下的人脸处理速度平均在17.4fps,有较好的实时性。