人脸识别是一项重要的生物识别技术,在视频监控、身份验证等场景有着广泛的应用。人脸特征表示的目的是从人脸图片中提取与身份相关的信息。然而,同一个人的照片因为姿态、光照、表情等因素显现出丰富多变的外观。一方面,这种丰富的类内变化,与人脸身份信息耦合在一起,给精确的人脸匹配带来极大挑战。另一方面,很多实际应用很难收集到用户的大量样本,无法准确地学习类内变化,识别网络的泛化能力无法保证。本文针对人脸实际应用中外观多变、样本缺乏等挑战,本文引入了对抗学习技术,成功地学习了身份特征与类内变化的耦合特征表示(即把人脸样本表示为身份特征和类内变化的叠加),并有效地应用到多姿态人脸识别、单样本人脸识别问题上。主要工作如下:面向多姿态人脸识别问题,提出了身份特征的交换生成方法。该方法以交换两张图片的身份为训练目标,让网络自动地学习到身份信息与类内变化信息的编码,并从多姿态人脸图片中提取出恒定不变的身份特征。该方法还引入和改进对抗生成损失,通过迭代优化提高合成图片的清晰度,进一步提高身份特征的准确性。经过严格的对照实验,本文验证了交换生成方法不仅提高了人脸图片生成的质量,并在MultiPIE多姿态数据集上取得了发表时的最高识别率。面向单样本人脸识别问题,提出了类内变化的迁移方法,在特征空间虚拟地增广了样本数量,提高了识别网络的泛化能力。该方法在分类网络中加入了新的网络模块,在一个身份特征上叠加一个可学习的随机向量,使得特征从一种姿态(或光照、表情等)转移到另一种不同的姿态;通过对抗学习技术,该方法端到端地从已有训练集中学习准确的迁移模式。在MS-Celeb-1MChallenge2数据集上的对比实验表面,类内变化迁移方法把99%正确率下的覆盖率指标26.77%提高到91.41%,大幅度地提高了深度网络的泛化能力。