随着人工智能技术的快速发展,人脸识别技术已经成功应用于智能安防、工作打卡、身份确认及信息录入等多个领域。但是实际场景中口罩、帽子、眼镜等因素都会造成局部遮挡,从而引起人脸特征丢失,造成人脸识别的准确率下降。对于遮挡人脸的修复,仍存在着纹理不清晰、结构不合理等问题。这些问题引起了部分学者的关注与研究,但这些问题并没有完全得到解决,仍需要进一步的研究。因此,为了解决上述问题,本文针对局部遮挡下的人脸识别与修复方法开展研究,主要工作内容如下:（1）针对现有人脸识别算法存在无法合理分配不同遮挡区域特征关注度以及遮挡而造成识别准确率下降的问题,本文提出了基于注意力机制的局部遮挡人脸识别模型Mobilenet V1-Cbam-Facenet（简称MC-Facenet）模型。该模型的主干特征提取网络使用了深度可分离卷积;此外,在模型中引入注意力机制,通过训练使得模型能够对不同区域的特征产生自适应关注度,提升模型对重要特征的感知与利用的能力。为了验证该模型的有效性,本文在公开的AR、LFW数据集上进行了测试,分别在不同遮挡类型、不同遮挡率的场景下进行了多组实验。实验结果表明,MC-Facenet在不同类型、不同遮挡比例下的识别准确率比原模型有了一定的提升。（2）针对局部遮挡人脸图像的修复工作中易出现结构混乱、纹理不清晰的问题,本文提出了改进的两阶段局部遮挡人脸修复模型,该模型分为边缘修复阶段和纹理修复两个阶段。在边缘修复阶段利用门控卷积,使得边缘信息得到充分的利用,强化了模型对遮挡与非遮挡区域之间关联信息的学习能力,提高了边缘修复的结构合理性;在纹理修复阶段引入注意力机制来获取充分的全局信息,提高了模型对纹理细节的修复能力,解决了纹理不清晰的问题。为了验证模型的有效性,本文在公开数据Celeb A上进行了不同遮挡率下的对比实验。实验结果表明,本文改进的两阶段局部遮挡人脸修复模型对局部遮挡的人脸图像具有良好的修复效果,且峰值信噪比和结构相似性的值都高于对比的其他模型。有效的改善了结构混乱、纹理不清晰的问题,提高了遮挡人脸图像修复的质量。