人脸识别的实际应用中的各种复杂变化,尤其是人脸姿态变化会严重地限制人脸识别系统的性能。虽然通过人脸旋转可以弥补训练数据的不均衡分布,从而提高人脸识别系统的性能。但是,以前的多数方法侧重于身份信息的保留,实际效果有欠缺。为此,本论文提出了基于注意力机制的指定姿态生成对抗网络（Attended PoseGuided Generative Adversarial Networks,APGAN）,以根据源姿态人脸图像,旋转并合成任意目标姿态、具有视觉真实性的人脸图像,同时保持其身份和表情信息;然后以集成学习的方式识别人脸表情与身份。本论文提出的模型主要由结合注意力机制的指定姿态生成器和双判别器组成,它们采用自适应注意力机制专注于人脸关键区域,在人脸旋转过程中解析并重构局部结构和纹理,实现更精确的信息一致性。集成表情学习充分利用共享的底层特征和两个任务之间的潜在相关性,进一步提高表情识别能力。采用属性纯化、动态损失权重和交替数据集训练策略,增强性能并缓解过拟合问题。在APGAN模型的基础上,本论文结合3D可变形模型（3D Morphable Model,3DMM）在提取人脸立体结构方面的优势,提出了3D-AGAN模型。根据人脸3D模型旋转并预渲染中间图像,使用人脸渲染模型修复材质失真,实现更加可靠的人脸旋转与识别。本论文提出的APGAN模型与3D-AGAN模型在小规模受约束数据集KDEF与大规模无约束数据集CASIA-Web Face上进行训练,以增强模型的鲁棒性。通过定性分析和定量对比等方面的实验结果阐明,本论文提出的模型优于现有的其他人脸旋转方法和表情识别方法。基于以上人脸旋转与识别模型,本论文实现了智能人脸旋转与识别系统（MultiAngle Face Expression Recogintion,MAFER）。该系统同时满足计算的时效性与界面交互的亲和性,具有良好的实用价值。