近几十年里,人脸识别技术取得了重大突破,在理想条件下其辨认能力高于普通人眼。然而,对于在非受控条件（未知的背景环境,人脸姿态,表情,妆造,遮挡情况等不受限制的场景）下的人脸识别,仍存在很多难题亟待解决。由于人脸识别首先需要对复杂场景中的人脸图像特征进行提取,在这个阶段容易受到诸多因素的影响,如面部姿态差异以及由光照、模糊、噪声、低分辨率等不利因素而造成的人脸图像内容改变、退化以及丢失。这些因素对于非受控条件下的人脸识别性能产生了极大的负面影响,需要针对不同的因素造成的影响做进一步深入分析与研究。为了提高非受控条件下人脸识别精度,本文从多尺度小目标人脸检测,低分辨率下未知退化盲人脸图像修复,以及口罩遮挡下的人脸识别方面进行了深入的研究:（1）针对非受控条件下复杂环境的小目标人脸图像漏检的问题,本文在第二章提出了一种基于Retinaface的人脸检测算法。该算法改进了主干特征提取网络,在主干特征提取网络中使用ResNeSt以更好地提取微小的细节信息。其次,通过改进特征金字塔结构以减少基于传统特征金字塔方法特征融合过程中语义信息的丢失,加强了特征提取效果。针对被遮挡的人脸,使用Soft-NMS以减少漏检;将激活函数由Re LU换为Mish,进一步提高精度并弥补速度上的损失。实验结果表明,本文方法相比于Retinaface原方法在Wider Face数据集上精度提高了2.39%,而在检测速度上,FPS降低了2.7,在以牺牲少量的速度为代价的情况下,本章提出的人脸检测算法有着相比于Retinaface更高的准确率。（2）针对低分辨率下盲人脸图像修复缺少先验知识的问题,本文在第三章中提出了一种基于改进生成对抗网络的盲人脸图像修复算法。通过预训练好的StyleGan2中的人脸先验知识为图像修复提供指导,可以有效的复原图片中的细节信息,加入人脸身份监督,从而尽可能保证图像修复前后人脸身份的一致性。实验结果表明,本方法能有效解决先验知识缺失的低质量人脸图片恢复问题,较以往的方法,本文方法拥有更高的人眼视觉感知特征性。（3）针对当前下人脸识别模型在人脸被口罩遮挡后失效的问题,本文在第四章中提出了一套完整的解决流程。首先使用轻量化网络来检测人脸是否佩戴口罩,当检测到口罩时,该人脸会被输入到基于注意力机制的人脸识别模型中,使模型更关注于未被遮挡区域的人脸特征。其次,通过改进损失函数以解决类别不平衡的问题,根据类别的难度及其不平衡性,动态改变类别之间的相对重要性,提高了人脸识别的精度。实验结果表明,深度可分离卷积可以有效地减少模型的参数量,从而提高模型在CPU上的运行速度;注意力机制和损失函数都会影响口罩人脸识别模型的精度,但是注意力机制对于口罩遮挡情况下人脸识别模型的精度影响更大。