随着国际间贸易的不断发展,出入境人员和货物大幅增长,导致外来物种的入侵。尤其是蝇类的入侵,会对农业生产及人民健康造成严重威胁。虽然各国海关不断完善口岸的检疫查验设施建设,但是蝇类的种类繁多、体型相似且不易辨别,增加海关检查难度。因此,对蝇类识别的研究十分必要。针对蝇类的整体体型相似度高,蝇类面部差异较大且角度多变等特点,本文提出了基于深度学习的多角度蝇类面部识别方法。由于蝇类面部图像角度多变,尤其当蝇类旋转角度较大时,识别效果将会受到影响。因此,本文将蝇类面部图像分成小角度蝇类面部图像和大角度蝇类面部图像两种情况分析。具体内容包括:（1）针对小角度蝇类面部识别的情况,本文提出了蝇类面部深度卷积神经网络模型。该网络进行轮廓特征与局部特征的粗细提取,在轮廓特征粗提取中,使用带有深度可分离卷积的Inception-ResNet网络和Reduction网络。在局部特征细提取中,将Inception-ResNet网络和Reduction网络组成一个模块,将多个模块进行Filter Concat拼接,变成一个优化的Inception-ResNet网络。（2）针对大角度蝇类面部图像识别的情况,本文提出了蝇类面部生成式对抗网络模型,将大角度蝇类面部图像合成正面面部图像。首先,通过迁移学习搭建蝇类面部关键点检测网络,使得蝇类面部更适配于人脸关键点检测器,从而检测定位蝇类面部关键点。其次,使用检测出的蝇类面部关键点处理为姿势嵌入信息,在蝇类面部生成式对抗网络的生成器中,引导大角度蝇类面部合成正面面部图像。并且在蝇类面部生成式对抗网络的判别器中,级联双重代理判别器网络。最后,将合成的蝇类正面面部图像放入具有识别作用的蝇类面部深度卷积神经网络中,进行训练和测试。将本文方法与其他先进方法进行对比分析,实验表明,在小角度蝇类面部识别中,本文的识别准确率达到了97.14%。在大角度蝇类面部识别中,本文的识别准确率达到了96.74%,并且本文的合成效果优于其他生成式对抗网络。满足多角度蝇类面部识别需求。