Les avancées récentes en apprentissage profond ont considérablement renforcé les capacités de reconnaissance faciale. Toutefois, la reconnaissance faciale dans un environnement non contraint reste un défi de recherche actif. Les covariables telles que la pose ou la faible résolution ont déjà fait l’objet d’une attention considérable, mais « le déguisement » est considéré comme une covariable particulièrement difficile à gérer. Une des principales raisons de ce défi réside dans l’absence de bases de données grandes et représentatives. Pour relever le problème de reconnaissance des visages déguisés, nous proposons un cadre d’apprentissage actif, A-LINK, qui sélectionne intelligemment les échantillons d’apprentissage à partir des données du domaine cible, afin que la frontière de décision ne s’ajuste pas excessivement à un ensemble spécifique de variations, et s’ajuste mieux à la modélisation de la variabilité. Ce cadre intègre par ailleurs une adaptation de domaine utilisant les échantillons d’apprentissage sélectionnés activement, afin d’ajuster finement le réseau. Nous démontrons l’efficacité du cadre proposé sur les jeux de données DFW et Multi-PIE, en utilisant des modèles de pointe tels que LCSSE et DenseNet.