In den letzten Jahren wird die Gesichtserkennung zunehmend in realen Anwendungen eingesetzt. Allerdings neigt die Gesichtserkennung bei Kombination von Hautfarbverzerrungen mit intra-personalen Variationen wie starkem Licht, schlechten Beleuchtungsbedingungen oder anderen Faktoren eher zum Versagen – selbst bei menschlicher Inspektion. Gesichtsnormalisierungsverfahren versuchen, diese Herausforderungen zu bewältigen, indem sie intra-personale Variationen aus einem Eingabebild entfernen, ohne die Identität zu verändern. Die meisten bestehenden Verfahren zur Gesichtsnormalisierung können jedoch nur eine oder zwei solche Variationen reduzieren und berücksichtigen dabei oft nicht datenbasierte Verzerrungen wie die Hautfarbverzerrung. Zudem sind die Ausgaben vieler Gesichtsnormalisierungsverfahren für menschliche Beobachter unrealistisch. In dieser Arbeit wird ein auf Stil basierendes Modell zur Gesichtsnormalisierung (StyleFNM) vorgestellt, das die meisten intra-personalen Variationen – darunter starke Veränderungen der Pose, ungünstige oder harte Beleuchtung, geringe Auflösung, Unschärfe, Gesichtsausdrücke sowie Accessoires wie Sonnenbrillen – effektiv reduzieren kann. Zudem wird in dieser Arbeit auch die Datensatzverzerrung adressiert, indem ein vortrainiertes GAN (Generatives Adversarials Netzwerk) kontrolliert wird, um ein ausgewogenes Datenset aus Passbild-artigen Aufnahmen zu generieren. Die experimentellen Ergebnisse zeigen, dass StyleFNM realistischere Ausgaben erzeugt und die Genauigkeit sowie die Fairness von Gesichtserkennungssystemen signifikant verbessert.