人脸图像作为人脸分析和识别过程中不可或缺的重要环节一直备受研究人员的关注。生成高精度、高逼真、多角度的人脸图像样本可以在一定程度上扩充人脸数据集,缓解模型训练中对训练数据量需求的问题。近年来,生成对抗网络的出现显著提高了人脸图像生成的真实性与多样性,在多角度人脸生成任务中取得较好的结果。但研究表明从低维的隐空间进行随机采样生成人脸图像的过程中,对于训练数据集未覆盖的映射空间采样生成的结果很难令人满意,即模型学习到数据的隐空间表示是不完整的。在借鉴完整空间表示学习的基础上,本文提出了基于完整空间表示的改进生成对抗网络模型(Improved CR-GAN,ICR-GAN)和基于谱归一化的ICR-GAN模型,上述模型采用了学习真实数据完整隐空间表示的双通道结构,保证模型对隐空间的学习是完整的、不完全局限于训练数据集的。以上述模型为基础,本文还设计实现了多角度人脸图像生成系统,并在人脸匹配问题中进行了应用。本文的具体研究工作如下:首先,提出基于完整空间表示的改进生成对抗网络模型(Improved CR-GAN,ICRGAN)。该模型挖掘了CR-GAN模型的双通道结构,充分发挥不同通道对由编码器E-解码器G组成的生成器在提升生成图像效果的指导作用。在重构真实样本的多角度人脸图像方面,ICR-GAN模型添加了约束保证生成图像是对输入样本的真实重构,指导重构路径上生成器能生成逼真的、较好保留对象身份特征的多角度人脸图像;生成路径上判别器D的目标函数中添加判别相同对象样本的判别得分相近约束,保证判别器D在判别真实性时充分考虑人脸特征分析。实验结果表明,ICR-GAN模型改进了判别器D对于相同对象的样本判别得分,同时模型在生成随机图像和生成多角度人脸图像时相比CR-GAN取得了更好的结果。其次,提出了基于谱归一化的ICR-GAN模型(Improved CR-GAN with Spectral Normalization,ICR-GAN-SN)。该模型针对CR-GAN和ICR-GAN模型在模型训练过程中生成器出现的生成图像质量波动不稳定的问题,分析了判别器的目标函数中用以满足1-Lipschitz条件的方式,放弃使用原先的梯度惩罚项,改对双通道上两个判别器D都施加谱归一化约束,限制判别器D中的神经网络层参数的变化。实验结果证明,ICR-GAN-SN模型中判别器D与编码器G的目标函数波动幅度下降,两个网络的收敛速度明显加快,模型的训练过程更加稳定,提高了对单张人脸图像的多角度人脸的生成效果。最终,设计实现了多角度人脸图像生成系统。该系统主要包括不同模型的训练模块、多角度人脸生成模块和人脸匹配模块。系统能够通过输入单一角度人脸图像,选择不同模型生成对应的多角度人脸图像。根据输入的数据集不同,能够对模型参数进行再训练。系统中设定了人脸匹配模块,将模型生成的人脸图像与正脸库做比较,并得到好的匹配结果。