近年来,人脸识别算法的发展已经进入了相对成熟的阶段,并在智能安防、支付安全、刑侦追踪等领域得到了广泛应用。随着新型冠状病毒的肆虐,佩戴口罩出行已成为多数人的日常生活习惯,于是戴口罩人脸识别成为了现今的热门研究课题。戴口罩人脸识别研究的难点一方面来自口罩区域的遮挡导致的图像级面部信息完整性被破坏,模型提取到的有效特征减少,以及口罩遮挡带来的图像噪声的影响;另一方面,相较于未被遮挡的人脸图片,戴口罩人脸图片的数据不确定性明显增加,进而导致戴口罩人脸嵌入表征对应的特征空间分布面临类间区分度降低与类内区分度增加的问题,人脸识别的难度也随之增加。为解决上述问题,提出了一种基于整体和局部特征联合优化的戴口罩人脸识别模型,结合细粒度特征提取与表征学习领域的相关方法开展了以下研究工作:（1）针对口罩遮挡区域导致的面部信息丢失问题以及遮挡区域带来的噪声问题,结合细粒度图像识别中局部与整体特征联合学习、相互促进的思想,在学习整体特征的同时,利用网络特征图注意力激活情况高效定位具有区分度的局部区域。通过跨分支的细粒度特征区域特征模仿方法,进一步加强网络对局部特征的提取能力,抑制口罩遮挡区域带来的噪声影响。（2）针对戴口罩人脸嵌入表征的特征空间分布区分度较低导致的人脸识别困难的问题,在整体特征学习和局部特征学习的基础上,增加整体特征与局部特征之间的对比学习。通过多尺度的特征空间分布优化策略联合学习,加强对人脸嵌入表征学习约束,最终获得鲁棒性更强的特征表达方式。为验证方法的有效性,在Masked-LFW、Masked-Age DB、Masked-CFP数据集上进行相关的实验,并与当前先进的研究方法进行了对比,实验结果表明:在MaskedLFW、Masked-Age DB、Masked-CFP数据集上以91.79%、79.78%、75.34%的准确率明显高于当前的常用戴口罩人脸识别方法。