人脸属性编辑是指改变人脸图像的某些属性,如妆容、发型、表情等,而保持其他属性不变的手段,目标是提高属性编辑的准确性和生成图像质量。近年来,生成网络尤其是生成对抗网络GAN的发展逐渐成熟,推动了人脸属性编辑的发展。但现存的算法仍然存在一些问题:一是现存算法在对单一属性编辑时难以做到有效解离,存在属性间的纠缠现象,编辑某属性常带动无关属性发生显著变化;二是大多数算法追求编辑人脸属性的有无,而忽略了人们对于属性样式的追求,如微笑的嘴型等。三是人脸属性编辑所产生的图像往往存在背景改动、人造伪影等问题且生成图像质量低下;四是现存算法为了提升编辑效果对图像特征高度抽象,使得图像身份信息有所丢失,导致生成图像不够自然真实,难以实现理想的编辑效果。针对以上问题,本文在现有算法基础上做了一系列改进:（1）针对各属性间存在的纠缠问题,本文提出了一种基于蒙版指导的人脸属性编辑算法。该算法引入属性蒙版对图像高维空间特征做过滤操作,准确定位要编辑的属性区域,避免无关属性发生改变,另外模型中融合属性标签和参考图像指导编辑,使用非配对人脸图像,提供给用户多样化属性模板,通过结合三种条件的优势能够实现多样化、更精准的人脸属性编辑效果。（2）针对属性编辑导致的生成图像质量低下和易引起无关改动的问题,本文引入空间注意力机制辅助网络生成图像对应的属性蒙版,由注意力网络学习得到的属性蒙版包含更加丰富的语义,能生成更加真实自然的编辑结果。同时针对前一阶段可能发生的生成图像背景扭曲及生成图像质量下降等问题,模型再次借助属性蒙版融合生成图像的编辑区域与原图的无关区域,得到最终的生成图像,这一操作提升了模型训练速度更保证了图像背景及无关区域的不变性,能够生成高质量的编辑图像。