随着机器学习和深度神经网络两个领域的迅速发展以及智能设备的普及,人脸识别和分析技术正在经历前所未有的发展。目前,人脸识别和分析精度已经超过人眼。此外,人脸表情识别（Facial Expression Recognition,FER）作为人脸识别和分析技术中的一个重要组成部分也已经达到了前所未有的精确的效果,但对于复杂环境下的人脸表情图像（有遮挡、低分辨率、有额外噪声）,想要达到同样的精确的识别结果是极其困难的。因此,通过设计人脸表情修复模型来解决复杂环境下人脸表情识别难的问题一直是本领域的研究热点之一。针对通常的人脸修复工作,以往的工作往往从人脸图像去遮挡和人脸图像超分辨率重建两个任务上单独进行研究。在模型设计上常以生成对抗网络（Generative Adversarial Network,GAN）为基础框架,结合landmarks或face parsing等语义信息对复杂环境下的人脸图像进行修复。但是,两种人脸图像均可以看作是不同噪声作用在原始图像上反映出的低质量结果。在处理此类问题时可以将两类任务合并成一类。此外,人脸图像在空间结构上的特殊性（空间结构相对稳定,结构对称）以及不同区域在尺度以及特征关系上的影响往往决定着修复结果的好坏。结合这些问题,我们提出了一种联合修复低质量人脸（有遮挡且低分辨率）图像的端到端网络,该网络以GAN为基础框架,使用图卷积网络（Graph Convolutional Network,GCN）强化人脸区域之间的关联性以及特征金字塔网络（Feature Pyramid Network,FPN）对人脸不同尺度上的特征进行提取。从而解决复杂环境下低质量人脸属性分析困难的问题。人脸表情识别作为人脸属性分析中的重要组成部分同样受到了复杂环境带来的影响。因此对低分辨率有遮挡的人脸表情图像进行修复也是一个亟待解决的问题。为探究表情这种更高层次的语义信息,我们提出使用人脸面部运动单元（Action Unit,AU）作为人脸表情修复中的先验信息,在提出的人脸修复模型的基础上通过添加预训练的AU分类器保证人脸修复结果表情信息的准确性。在验证模型在人脸修复上的有效性时,我们使用Celeb A和Helen两个常规人脸数据集从定量和定性两方面对实验结果进行了评估。之后为了验证模型在人脸表情修复上的有效性,我们在BP4D和DISFA两个通用表情数据集上进行了相关实验,证明了该模型在人脸表情图像修复上的有效性。