人脸识别作为计算机视觉领域的经典任务之一,一经提出就受到大量学者和工业界的广泛关注。近年来,随着人工智能的快速发展,人脸识别的应用范围得到了极大地扩展,相关研究成果已被用于移动支付、罪犯抓捕、入口安防等多个领域。虽然约束环境下的人脸识别算法已经趋于成熟,然而开放环境下的人脸识别任务还面临着一些亟待解决的问题。特别地,由于受到样本限制、数据分布不一致、姿态变化、面部遮挡等因素的影响,开放环境下的人脸识别算法性能的进一步提升受到了很大的限制。针对上述问题,本文从知识迁移、对抗学习、多任务协同作用等角度出发,对开放环境下人脸识别（即无约束人脸识别）中的若干关键问题,围绕3条技术路线提出了一系列基于深度学习的方法,主要贡献体现在如下几个方面:（1）针对基于深度学习的无约束亲属人脸验证任务中,训练数据不足且数据分布不一致的问题,设计了两种基于深度迁移的亲属验证模型:（1）受基于深度学习的人脸识别算法的启发,提出一种基于数据驱动的、由粗糙到精细迁移的深度亲属验证框架。该模型采用一个预训练粗糙模型和域特定的重训练精细模型,将一般的人脸识别网络迁移至亲属验证网络,在不增加数据量的情况下提升亲属验证性能;（2）受最大平均差异MMD的启发,提出一种基于模型驱动的深度亲属验证方法。该方法利用MMD度量构造域迁移损失,作为基于亲属验证的深度孪生网络的监督信号,通过将不同域的亲属数据迁移映射至公共域的特征空间,来减小数据分布差异对亲属验证识别率的影响。（2）针对无约束亲属验证任务中数据量不一致、分布不一致以及家庭信息未被考虑的问题,提出一种基于家庭信息的对抗卷积网络。受生成对抗网络的启发,精心设计了一种基于MMD的对抗损失。该损失和基于家庭信息的对比损失所形成的自对抗机制,通过对抗的方式减小数据分布差异和增强算法鲁棒性。同时通过联合基于家庭信息的softmax损失来增加亲属相关特征的分离性。此外,针对不同规模的亲属验证任务,提出了基于面部块和基于多重特征的集成策略来进一步提升无约束亲属验证的识别精度。（3）针对开放环境中,姿态变化和遮挡对人脸识别的影响,本文设计了三种不同的基于生成对抗网络（GAN）的方法:（1）大多数基于生成对抗网络的人脸正面化模型通常采用sigmoid交叉熵损失作为二分类判别网络的监督信号,从而导致判别器和生成器收敛不平衡、边界不确定和参数过多带来的训练不稳定的问题。本文提出一种由贝叶斯推导的感知自表达判别器,利用感知特征的重构误差作为真假判别准则,在减少训练参数和降低训练难度的同时,保证生成正面图像的逼真度和身份判别性;（2）在实际应用中,姿态变化和遮挡往往同时存在,而原有的人脸正面化方法和人脸修复方法并不适用于这种混合问题。为了解决无约束人脸识别中姿态和遮挡的混合问题,提出一种集成的GAN模型。该模型通过对多重侧面带遮挡的输入图片抽取完备信息,利用深度编解码网络进行粗糙人脸生成后再利用集成网络进行精细人脸生成,从而一次性完成人脸去遮挡和正面化任务;（3）考虑到噪声作为先验知识对去遮挡的引导作用以及去遮挡和正面化两个任务之间的协同作用,本文提出了一种新颖的由遮挡掩模引导的两阶段生成对抗网络。该网络利用遮挡噪声提出一种基于掩模的注意力模块来提升模型的去遮挡能力。并且,去遮挡和正面化的两阶段联合端到端结构充分利用了两个任务之间的协同作用。除此之外,一个精心设计的双重三元损失被提出,该损失函数旨在提升去遮挡和正面化两个阶段的身份判别性,从而提升人脸识别性能。在多种无约束人脸识别的基准数据集上,大量的实验结果表明本文提出方法的有效性和先进性,并在论文的最后给出了可扩展的研究方向。