近十多年来，社交媒体所伴随而来的快速增长的用户量以及每天产生的海量数据，已经成为目前最为重要而广泛的公共课题。Facebook已经拥有1000亿图像数据并且还在以每月超过25亿新图像速度增长。日益剧增的社交媒体图像数据正迫切需求更加行之有效的机器学习技术来对海量数据进行表达、分析和理解，从而能够帮助更好的实现基于互联网的管理、搜索、和社交系统的设计。亲属关系是社交媒体中最主要的人际关系之一。近年来，基于图像的亲属关系挖掘与识别成为社交媒体分析中一个重要的领域，也受到了越来越多的关注。
　　另一方面，随着深度卷积神经网络与生成式对抗网络的提出，图像生成技术得到了迅猛发展，包括图像合成、文本转图像、图像编辑等各个研究方向都产生了大量的研究成果。在这些领域的研究已经证明，在图像生成中使用生成式对抗网络的巨大潜力。
　　利用生成式对抗网络技术，本文主要围绕社交媒体中的亲属人脸生成方法展开研究。与基于图像的亲属关系分析不同，本文从另一个角度来进行探讨这个问题，即亲属人脸生成。但是，不同于已有的人脸图像生成方法，本文将基因遗传过程引入到人脸生成，对输入的父母图像进行基因特征编码与合成，并尝试生成较为合理的子女的人脸。
　　本文主要工作如下：
　　首先，对亲属关系分析与基于生成式对抗网络的图像生成技术的相关工作进行了综述与回顾，并介绍了他们的设计思想与核心数学模型。
　　然后，提出了一种亲属人脸生成模型DNA-Net。针对以往算法不符合人脸特征遗传过程的问题，本文以父母到孩子的遗传过程为基础建立数学模型，先将人脸编码成图像特征；然后，将图像特征转换成基因特征，并模拟自然选择过程，将父母的基因特征融合在一起；最后通过解码还原成人脸图像。通过实验结果表明，本文提出的算法取得了较为合理的人脸生成效果。
　　最后，提出了一种包含性别与年龄变化的亲属人脸生成方法。针对DNA-Net没有考虑年龄与性别的问题，本文引入了人脸属性条件，并集成了年龄与性别分类器，实现了不同年龄与性别的人脸生成。实验结果验证了本文提出的算法。