针对当前人脸识别中姿态变化会影响识别性能，以及姿态恢复过程中脸部局部细节信息容易丢失的问题，提出一种基于多任务学习的多姿态人脸重建与识别方法——多任务学习堆叠自编码器（MtLSAE）。该方法通过运用多任务学习机制，联合考虑人脸姿态恢复和脸部局部细节信息保留这两个相关的任务，在步进逐层恢复正面人脸姿态的同时，引入非负约束稀疏自编码器，使得非负约束稀疏自编码器能够学习到人脸部的部分特征；其次在姿态恢复和局部信息保留两个任务之间通过共享参数的方式来学习整个网络框架；最后将重建出来的正脸图像通过Fisherface进行降维并提取具有判别信息的特征，并用最近邻分类器来识别。实验结果表明，MtLSAE方法获得了较好的姿态重建质量，保留的局部纹理信息清晰，而且与局部Gabor二值模式（LGBP）、基于视角的主动外观模型（VAAM）以及堆叠步进自编码器（SPAE）等经典方法相比，识别率性能得以提升。