人脸正面化是一个具有挑战性的研究课题。近年来,随着深度学习的发展,越来越多的人脸正面化问题得到了解决。然而,大多数人脸正面化网络必须使用较难获取的配对人脸数据集进行训练。使用配对人脸数据集训练的网络模型泛化能力较低,而且得到的人脸图像中除人脸姿态以外的其他特征也会被改变。本文提出了一种基于StyleGAN生成器的新型自监督人脸正面化模型(Self-Supervised Face Frontalization Model,SFM),通过改变潜空间编码来解决这一问题。为了合成质量优异的正面人脸图像,使用了对比语言图像预训练(Contrastive Language Image Pretraining,CLIP)模块和自适应增强模块(Adaptive Enhancement Module,AEM)来编辑潜空间,在最大程度上,只修改面部姿态而不修改面部的其他特征。研究结果表明,本文的方法无需配对人脸数据集训练,就能生成质量优且完整的正面人脸图像。在定性和定量实验数据的比较中,本文的方法要优于其他方法。