随着计算机视觉技术的迅速发展,以人脸识别为代表的身份认证在智能安检等领域发挥着越来越重要的作用。监控作为城市的基础设施建设,拥有丰富的人脸图像资源,在非配合人脸识别方向有着广泛的应用前景。在面向智能监控的应用场景中,通常只能获得待识别对象的一张正脸样本,但是在监控相机中采集的人脸图像受姿态变化、口罩遮挡等真实复杂因素的影响较大,给非配合人脸识别应用带来了巨大的挑战。本文面向智能监控的应用场景,针对非配合人脸识别场景中的斜上方视角人脸和口罩遮挡人脸两种影响较大的因素展开研究,主要工作如下:首先,本文对监控视角下人脸图像的表现特征进行研究,分析了造成人脸图像信息丢失的影响因素。针对训练样本数量和识别率的影响关系进行了实验验证,分析了单样本人脸识别的难点,并对本文涉及的人脸检测和人脸关键点检测算法进行介绍。然后,针对监控相机采集的斜上方视角的人脸图像,本文提出了一种多姿态样本扩充算法,该方法将正脸图像和三维人脸模型的关键点进行对应映射,将三维模型在世界坐标系中旋转后投影到二维平面获得Yaw和Pitch两个维度变化的多姿态人脸。设计了基于特征域距离的动态阈值约束对多姿态样本进行约束。并通过多姿态增强数据集训练了姿态鲁棒深度神经网络提取特征,并通过实验验证了本文算法在单样本条件下对姿态变化的识别鲁棒性。最后,针对监控相机采集的口罩遮挡的人脸图像,本文提出了将全局人脸深度高语义特征和较浅层高分辨的眼部局部特征进行融合,采用特征融合的策略充分利用遮挡人脸图像的可见部分。并通过对softmax损失函数进行改进,通过加入惩罚因子使得深度网络可以提取具有类内聚集类间发散的人脸特征,并在真实监控视角场景中验证了本文的有效性。