人脸任意属性编辑是计算机视觉与生成模型研究的热点,它是建立在人脸识别和人脸生成基础上的应用技术。其主要目的是根据给定的人脸属性标签值来控制人脸图像的任意属性表示,从而获得满足指定属性要求的伪人脸图像,同时生成的伪人脸图像中不需更改的图像区域与原图像保持一致。近年来,人脸任意属性编辑已广泛应用于医疗、美容、刑侦、娱乐和面部识别等领域,受到了越来越多的关注。目前人脸任意属性编辑模型通常结合编解码器和生成对抗网络来实现,但存在生成图像不够真实,对人脸图像的属性编辑不够准确,对生成图像人脸属性的细粒度控制能力弱的问题。本文围绕人脸任意属性编辑问题展开研究,主要工作包括:（1）针对人脸任意属性编辑模型中编解码器之间用跳跃连接传递图像特征存在信息冗余问题和模型难以控制属性变化程度的问题,设计一种结合独立选择转换单元和自注意力机制的人脸任意属性编辑网络ISTSA-GAN。该网络结合独立选择转换单元与编解码器作为生成器。编码器获得图像的潜在特征;独立选择转换单元选择性的对编码器获得的图像潜在特征进行转换;在解码器中引入自注意机制,建立跨图像区域的长距离依赖;然后加入属性插值损失和源域对抗损失来约束模型的训练。实验结果表明,该方法能够提高属性编辑能力和细节保存能力,并且可以增强对编辑属性进行细粒度控制的能力。它在属性编辑精度和生成图像的质量方面优于Star GAN、Att GAN和STGAN。（2）针对人脸任意属性编辑模型中解码器的输入存在冗余和选择转换单元中单层门控对信息的过滤不够精确的问题,设计一种基于改进的U-Net结构和双层门控选择转换单元的人脸任意属性编辑网络。该网络用双层门控来自适应的学习现有记忆信息和以往隐藏信息的保留情况,同时将第一层双层门控选择转换单元的部分输出作为解码器的输入,再额外加入属性插值损失和源域对抗损失约束模型训练。实验结果表明,该方法能够提高属性编辑能力,并且进一步增强了对编辑属性进行细粒度控制的能力。