人脸识别的应用领域十分广泛，为现代社会提供了一个便捷的身份鉴定解决方案，但受到人脸识别方法的限制以及外在因素影响，大部分人脸识别系统只能限制在用户配合的情况下使用。因此，基于非限制条件下的人脸识别是当前研究的难点，特别是姿态变化引起的人脸识别性能降低仍是一项巨大的挑战。提高姿态变化下的人脸识别效果对于人脸识别系统的实际应用具有十分重要的现实意义。
　　针对当前人脸的姿态变化会对人脸识别造成严重干扰这一问题，本文以提高多姿态人脸识别效果为目标，围绕单样本下对多姿态人脸进行正脸合成和多样本下提取人脸深层次特征两方面进行研究，探求不同的方法对于多姿态人脸识别效果的影响。本文的主要工作包括以下几个方面:
　　(1)针对单样本下的人脸-15°～+15°小姿态变化的场景下，采用基于改进形状模型的混合AAM模型人脸姿态矫正和LGBPHS特征相结合的多姿态人脸识别方法。利用AAM模型定位人脸的特征点，将多姿态人脸矫正为正面人脸并提取人脸的LGBPHS纹理特征进行识别。实验验证了在人脸小姿态变化下的方法的有效性。
　　(2)针对单样本下的人脸-45°～+45°较大姿态变化的场景下，提出基于特征约束的堆叠渐进自动编码器人脸重建的多姿态人脸识别方法。利用自动编码器合成正面人脸，在逐步重建正面人脸的基础上，考虑到在人脸重建过程中容易丢失人脸局部特征信息的问题，对堆叠渐进自动编码器隐藏层加入特征约束，使得同一个人的不同姿态下的人脸特征最大程度相同。实验验证了在较低分辨率下的45°以内的人脸姿态变化下方法的有效性。
　　(3)针对多样本下的较大姿态变化的场景下，设计了卷积深度置信网络模型并应用于多姿态人脸识别。由于传统的手工特征在多姿态人脸识别中具有局限性，而深度网络能够自主的学习人脸深层次的特征，因此针对多姿态人脸识别设计了基于稀疏性的卷积深度置信网络模型。在原多姿态人脸图像和经过重建之后的人脸图像分别进行人脸识别实验，能够验证卷积深度置信网络能够较好的提高多姿态人脸识别性能。
　　本文实验结果表明，深度学习凭借着对于非线性关系较好的自主学习能力，在多姿态人脸识别方法研究上展现出了较好的效果。本文的成果有效的提高了多姿态人脸识别效果。