随着计算机视觉技术的发展,人脸图像已广泛应用于社会安全、文化娱乐、社交媒体等非配合场景中。然而,非配合场景中采集到的人脸图像常常面临遮挡、模糊等问题,需要进一步优化重建。目前,基于深度学习的人脸图像重建技术有了实质性的发展和突破,能够解决人脸图像重建中的特征损失和细节模糊等问题。本文分析了人脸图像重建研究中的现状和不足,重点围绕遮挡人脸图像重建、多姿态人脸图像重建和模糊人脸超分辨率图像重建三个方面开展技术研究。论文主要的工作和创新点如下:（1）针对遮挡人脸图像重建的补丁边缘模糊以及重建前后纹理特征不一致的问题,研究提出了一种双平行向量表示方法LPGAN,通过平行向量的拟合作用将重建补丁进行三维空间映射。LPGAN将平面无法分类的像素点进行特征空间映射,使其能够正确分类,并通过添加全连接层来加强人脸的特征,在全局重建与局部重建相结合的方法下,由粗到细地重建人脸图像。在数据集AFLW的测试结果中,LPGAN对遮挡人脸的修复中,特征相似度平均提高了35%。实验结果表明LPGAN有效改善了遮挡人脸补丁模糊的问题,显著提升了人脸的特征相似度。（2）针对多姿态人脸图像重建中人脸纹理过于光滑,人脸重建前后表情和姿势拟合程度低,人脸图像重建效果受模型的风格限制问题,研究提出了一种基于人脸等高线估计的多姿态人脸图像重建网络CRNet。该网络利用人脸的形状特征来标记像素点的空间位置信息,再通过自监督学习不断反馈优化人脸关键点位置信息来提高人脸图像表情和姿态的特征拟合。在对不同姿态和角度下的标准化平均误差（NME）测试中,CRNet在数据集AFLW2000-3D中的平均NME比3DDFA减少1.96%,在数据集AFLW-LFPA中的平均NME比De FA减少1.07%。在NME测试中,与VRN和3DDFA相比CRNet的效果更好,有效地保留了二维人脸图像的纹理和风格特征。（3）针对模糊人脸超分辨率图像重建中,重建后的人脸图像姿态特征不一致、模型收敛困难问题,研究构建了一种基于生成对抗网络的人脸超分辨率重建模型FRGAN。该模型通过人脸姿态估计网络将标准人脸图像与模糊人脸图像进行关键点定位和特征提取,指导条件下的标准人脸图像通过姿态转换网络将其与模糊人脸图像姿势相统一;在生成对抗网络模型基础上加入预判监督器,通过人脸姿态特征和纹理特征的预判来加快模型收敛。在AFLW数据集中,FRGAN比PFSR的峰值信噪比平均超出0.5。实验结果表明,FRGAN在峰值信噪比和图像结构相似性指数测试中整体表现优于Bicubic、SR-GAN、3DFGAN,这表明其生成的人脸特征纹理更清晰。