作为计算机视觉领域中研究最为广泛的课题之一,人脸识别近年来取得了很大进展。但是在复杂的非约束场景下,人脸识别系统的各个关键技术模块,如人脸检测、关键点检测和特征提取等,仍然受到光照、姿态、表情和遮挡等多种因素的制约。与其它因素相比,不同姿态的人脸呈现出更为明显的纹理和特征差异,极大地限制了人脸识别在实际场景中的应用。基于姿态正规化的人脸识别,在对人脸特征判别之前预先进行人脸角度的校正,能够有效降低姿态变化对特征的类内紧密性和类间可分离性的影响,是人脸识别技术的一个研究重点和热点。然而,这种方法仍然面临以下问题:1)姿态正规化模块对人脸关键点的检测精度较为敏感,而复杂场景下人脸关键点的检测性能仍有较大的提升空间;2)姿态正规化模型的图像重建能力受限于训练集数量和规模,而不同的数据集之间又存在显著的分布差异,采用单一约束条件的深度模型难以完成在多个数据集上的统一训练;3)姿态正规化与特征提取模块相互独立、缺少联系,前者产生的错误会直接传递给后者,进而影响最终的特征判别。这些问题给现有的基于姿态正规化的人脸识别方法带来了重大挑战。在此背景下,本文以减弱和消除姿态变化对人脸纹理分析和特征判别的影响、提高复杂环境下的人脸识别准确率为目标,围绕如何提升系统各技术模块的性能以及如何增强各模块之间的联系这两个研究问题,对基于姿态正规化的人脸识别各个关键技术进行优化和改进。本文的主要研究成果包括以下四个方面:1)针对现有人脸关键点检测方法对大角度人脸预测精度较低的问题,本文提出了一种基于关键点热图和部件关联场的人脸定位和关键点检测方法。针对不同角度和遮挡导致人脸信息的非结构化问题,该方法利用全局图像的上下文信息,对人脸关键点的热图和关联性响应进行联合学习,以自下而上的方式完成人脸基准关键点的直接定位;进一步地,针对不同姿态人脸特征的多模态不确定性,该方法通过引入深度卷积多分支回归网络,将人脸依据姿态信息分配至各自的特征空间,进而完成不同姿态人脸稠密关键点的精准预测。本文对该方法在AFLW、300-W和Menpo三个公开数据集上进行了评测。实验结果表明,该方法对较大姿态和严重遮挡的人脸均有较强的鲁棒性,能够有效提高复杂场景中人脸关键点的检测精度。2)与研究成果1)的切入角度不同,本文又针对人脸关键点检测方法面临的另外两个容易被忽视的问题,即回归模型的检测精度对人脸初始位置和关键点标注不一致较为敏感,提出了一种基于深度渐进初始化网络和误差驱动学习的人脸关键点检测方法。一方面,在全局到局部的级联回归结构中,引入监督空间变换网络,根据人脸整体和各部件的图像输入,自动学习空间正规化变换的最佳参数,降低深度回归网络对关键点预测的推理难度;另一方面,在模型训练过程中,采用自适应关键点加权损失作为目标函数,根据关键点的学习误差动态调整反馈梯度大小,避免由于关键点标注不一致所导致的模型过拟合。本文对该方法在300-W、AFLW、COFW和WFLW等公开数据集上进行了测试。实验显示,该方法能够有效提高回归模型对不同人脸检测器的适应性,并且显著降低了人工标注噪声对模型参数学习造成的不利影响,相应模型在各个数据集上的关键点检测精度超过了其它现有的同类算法。3)为了增强基于3DMM（3D Morphable Model）的姿态正规化方法对人脸关键点检测错误的鲁棒性,本文提出了一种基于自适应姿态正规化的人脸识别方法。在对一张任意姿态的人脸图像进行3D几何变换前,该方法首先在2D空间中将其映射至预设的正面人脸模板上,用于简化摄像机标定的内参估计流程;然后使用随机抽样一致算法和人脸特性相结合的方法,迭代选取和3D模型结点匹配度较高的关键点,求解最终的姿态正规化参数,从而减少关键点检测噪声对合成正面人脸图像质量的影响。本文在公开人脸数据集LFW上,采用了两种评测协议对该方法进行了评测。结果表明,该方法能够有效减小同一身份、不同姿态的人脸特征之间的类内差异,并显著提升了非约束场景下的人脸识别准确率。4)针对基于GAN（Generative Adversarial Networks）的姿态正规化网络受制于单域数据集规模以及与特征提取模块之间缺少关联这两个短板,本文提出了一种基于深度自适应姿态正规化网络的多姿态人脸识别方法。该方法在模型学习过程中,采用自适应加权损失函数弥合多域数据集的分布差异,实现了一个端到端的由识别任务直接驱动的深度姿态正规化网络;同时基于图像质量感知完成多通道特征的线性融合,进一步提升了特征提取模块对多姿态人脸信息的表达和区分能力。本文对该方法在Multi-PIE、LFW、CFP和IJB-A四个公开人脸数据集上进行了测试。结果表明,该方法能够有效改善人脸姿态正规化的图像质量,并且在约束和非约束场景下的人脸识别准确率均超过了现有同类算法。