人脸图像生成是指利用计算机合成出满足需求的伪造人脸图像,比如黑白照片上色,由模糊人像生成清晰人像等,在各个领域有广泛的应用前景。近年来,随着深度学习技术的迅猛发展,利用深度卷积网络、生成对抗网络等神经网络生成模型生成人脸图像成为了研究热点。利用人像生成技术生成去妆容人像的需求可以分为以下两类:一、去妆算法有面向人眼视觉效果的需求,包括卸妆效果滤镜的娱乐应用、人工参与的身份检查等。二、去妆算法有面向人脸识别算法的需求。妆容变化会影响到人脸识别算法对人脸的特征提取,从而降低人脸识别准确率。因此可以利用生成模型生成去妆后的人脸图像,消除妆容变化的影响,提高人脸识别准确率。本文研究利用深度学习技术合成去妆人像,力图设计出能够分别满足上述两类需求的去妆算法。本文主要工作如下:（1）制作了一个同身份的妆前妆后人脸数据集和一个合成妆容数据集。针对现有用于人脸识别的妆容数据集妆容差异小的问题,从美妆视频中收集化妆者的妆前和妆后的面部图像,制作了一个身份配对的妆前妆后人脸数据集,该数据集无妆图像与有妆图像差异大,利于研究妆容因素对人脸识别的影响。此外,为了避免因数据集单一造成的过拟合问题,制作了一个合成妆容数据集,用于联合其他合成数据集训练。（2）基于上述制作的合成妆容数据集和现有合成妆容数据集,从人眼视觉感受的角度出发,提出一种基于图像纹理引导的去妆人脸图像生成网络。针对现有方法生成人像结果有色块、伪影和模糊等问题,在去妆人像生成中引入了VGG网络提取纹理,优化生成人脸的纹理效果。并且改进了马尔可夫判别器,进一步提升了细节生成质量。（3）基于上述制作的同身份妆容数据集和现有同身份妆容数据集,提出一种面向人脸识别算法的去妆人脸图像生成网络。利用了同身份有妆无妆数据集身份一致的特点,创造性地以配对数据的方式训练循环生成对抗网络。为了提高人脸识别准确率,引入了面部特征提取网络用于保持身份信息。并且在妆容显著,细节复杂的面部区域加入了额外的判别器,组成判别器组,提升生成质量,进一步提升识别准确率。本文首先制作了两个妆容数据集,之后分别从视觉感受和人脸识别算法的角度提出了两种生成对抗网络去妆算法,并使用制作的两个数据集以及其他现有的妆容数据集进行生成对抗网络算法的训练和测试。实验证明,基于纹理引导的去妆算法生成的去妆人像在保证去妆效果的同时,生成自然的皮肤质感和清晰的边缘。面向人脸识别的去妆算法能够提高通用人脸识别算法对有妆人脸的识别准确率。