随着经济和社会的发展,人脸属性迁移技术作为计算机视觉领域的研究热点,已经被广泛应用于艺术创作、影视摄影、刑事犯罪侦查等领域。一方面,得益于深度学习的发展,尤其是在生成对抗网络GAN提出之后,人脸属性迁移技术取得了巨大进步,但基于生成对抗网络生成的人脸属性迁移图像存在图像无关域容易改变、人脸细节不够丰富以及生成模型泛化能力不强等问题。另一方面,为了防止人脸属性迁移技术的滥用,目前提出了许多针对GAN生成图像的检测算法,但大多数检测算法仅关注生成图像的全局特征,容易忽略局部特征信息,而且对于不同GAN生成图像数据集的鲁棒性有待提高。为此,本文在分析研究相关技术理论及图像预处理技术之后,针对上述人脸属性迁移和GAN生成图像检测方面存在的不足,提出相应的解决方案,主要工作如下:（1）提出一种基于改进Cycle GAN的人脸属性迁移图像生成模型。首先,对模型生成器结构进行优化,利用注意力机制与自适应残差块提取更丰富的人脸特征和重要信息,提高模型的泛化能力;其次,借鉴相对损失的思想对损失函数进行改进,提高判别器的判别能力;最后,提出了基于年龄约束的模型训练策略,减少年龄变化对生成图像的影响。（2）提出一种基于图像增强和改进残差网络的GAN生成图像检测模型。首先,利用图像增强技术减少图像无关域的影响,并增强图像的暗部细节;然后,改进网络的残差结构并结合图像全局特征提取与局部特征提取加强对人脸区域重要信息的学习,提高模型对于不同生成图像数据集的鲁棒性;最后,将提取的人脸图像特征送入分类器,鉴别输入的人脸图像是否为GAN生成图像。（3）通过实验验证上述所提方法的有效性。主要内容包括:将本文所提改进Cycle GAN模型在Celeb A、IMDB和Wiki等多个数据集上进行不同人脸属性迁移实验,实验结果表明,本文所提生成模型在多个数据集上具有良好的泛化能力,与原始Cycle GAN模型、UGATIT模型相比,本文提出的方法能够生成更加真实和多样的人脸属性迁移图像;将本文所提检测算法在LSGAN、DCGAN、WGAN以及WGAN-GP生成的数据集上进行实验,实验结果表明本文算法比现有算法具有更好的性能,此外,将本文所提检测算法在Cycle GAN、UGATIT以及改进Cycle GAN生成的数据集上进行实验,进一步验证了本文所提检测算法在不同GAN生成数据集上的鲁棒性。