随着计算机科学的高速发展，人脸合成技术在人工智能、模式识别领域发挥着越来越重要的作用，因此根据已有样本合成出逼真的人脸图像是一个热门的研究问题。但由于人脸结构的非刚体特性，使人脸图像容易受到多种因素的影响，其中，视角变化对图像合成效果产生较大的影响。不同视角下人脸图像的合成是一项富有挑战性的重要课题。基于统计学习理论的人脸合成技术成为人们日益关注的新的发展方向。本文对多视角人脸合成算法进行了深入研究。首先，针对高维数据在合成过程中因欠采样问题而产生的误差，本文提出了主动表观模型与张量理论相结合的多因素分离方法。该方法借助主动表观模型分离出多视角图像的形状特征点数据，根据张量理论提取出影响图像的多种外在变化因素，有效地解决了欠采样问题对多因素精确描述所产生的影响。其次，为合成多个连续变换视角下人脸形状特征点，本文提出了稀疏表示与流形建模相结合的系数合成方法。该方法通过对测试图像身份信息的重构以及对新视角信息的拟合，能够准确地合成出测试图像在不同视角下特征点的分布。实验结果表明，本文所提出的方法能利用不同视角下的输入数据，合成出未在训练集中出现过的视角的形状特征点数据。最后，为了在纹理信息发生遮挡的条件下合成正面图像，本文提出了基于全局-局部变换的正面人脸纹理生成方法。该方法通过两次基于不同信息的图像变换策略，合成出输入侧面图像所对应的正面人脸图像。实验结果表明，本文所提出的方法能够针对变化角度大、纹理信息遮挡较明显的输入图像，合成出逼真的正面人脸图像。