随着计算机视觉的飞速发展,人脸识别技术应用于人们生活的众多领域。近年来,各种人脸识别算法不断被提出,在人脸识别数据集上有着很好的精度效果。然而,在实际场景中,人脸可能会受局部遮挡导致人脸关键点信息缺失,现有模型受遮挡因素影响致使准确率无法提升。本文旨在从遮挡感知和遮挡修复两类技术路线,提出了两种基于深度学习的遮挡人脸识别模型,进一步提升遮挡人脸识别准确率。同时,研究对比两种技术路线的人脸识别模型在不同应用场景下的适用性。论文主要工作如下:1、构建了人脸口罩遮挡数据集。针对当前人脸遮挡数据集规模小,且部分数据集使用黑白矩形图遮挡人脸,不贴合实际应用场景等局限性,本文使用Mask The Face算法自建口罩遮挡人脸数据集,包括10575个身份的遮挡人脸图像368715张,该数据集可以更好地模拟生活中多样化的口罩遮挡场景,提高遮挡人脸识别模型的泛化能力。2、基于遮挡感知人脸识别技术路线,提出了一种改进人脸特征矫正网络模型InvCAMAC-i FFRNet,解决人脸图像中未被遮挡区域特征提取不充分的问题。在人脸特征矫正模块中的空间分支引入involution算子,在空间范围内提取更丰富的面部特征信息;在人脸特征矫正模块中的通道分支引入坐标注意力机制,捕获跨通道信息以增强特征表示;将Meta-ACON作为特征矫正模块新的动态激活函数,通过动态调整线性或非线性程度,以提高模型泛化能力和计算准确度。将模型应用于口罩遮挡、眼镜遮挡两种场景下进行测试,测试准确率分别达到了82.50%和89.75%,优于现有算法,验证了所提方法的有效性。3、基于遮挡修复人脸识别技术路线,提出了一种融合注意力机制的循环渐进遮挡修复人脸识别模型SA-PCA-RRMFR,在RFR-Net图像修复模型的基础上进一步优化,在网络的残差块中引入SA空间注意力机制来寻求图片空间中的关系,帮助模型关注图像中信息丰富的像素区域;引入重新设计的一种通道自注意力模块P-CA,从全局的角度获取通道的权重;结合Arc Face算法应用于人脸识别。在Celeb A数据集上进行测试,当遮挡比例分别在10%-20%、30%-40%、50%-60%的范围时,人脸识别准确率分别达到94.8%、91.5%、89.4%,所提方法在图像修复指标、准确率上优于大多数主流算法,能够生成语义一致、视觉合理的高质量人脸图像并应用于人脸识别。4、对比两种遮挡人脸识别模型在不同场景下的优缺点。Inv-CAMAC-i FFRNet模型的优势在于能够充分利用遮挡图像中的有效信息区域,最大化发挥未被遮挡区域信息的作用,劣势在于无法从部分区域内推断出全脸信息。SA-PCA-RRMFR模型优势在于能够将不完整的图像还原成完整的人脸图像,获得最大可能性的全脸图像,劣势在于对于大面积遮挡会生成语义不一致的人脸图像,影响人脸识别过程。