La reconnaissance faciale dans un environnement non contraint demeure un défi de recherche persistant. Bien que plusieurs covariables, telles que l'orientation du visage ou la faible résolution, aient reçu une attention considérable, « le déguisement » est considéré comme une covariable particulièrement difficile à gérer. L'une des principales raisons de ce défi réside dans le manque de bases de données étiquetées de grande taille et représentatives, ainsi que dans l'absence d'algorithmes capables de bien fonctionner face à plusieurs covariables simultanément dans de tels environnements. Afin de relever le défi de la reconnaissance faciale en présence de déguisement, cet article propose un cadre d'apprentissage actif baptisé A2-LINK. Partant d'un modèle d'apprentissage automatique pour la reconnaissance faciale, A2-LINK sélectionne de manière intelligente des échantillons d'apprentissage provenant du domaine cible afin de les étiqueter, puis affine le modèle en utilisant des bruits hybrides, tels que le bruit adversarial, afin d'obtenir un modèle performant aussi bien en présence qu'en l'absence de déguisement. Les résultats expérimentaux démontrent l'efficacité et la capacité de généralisation du cadre proposé sur les jeux de données DFW et DFW2019, en combinant des modèles d'extraction de caractéristiques d'apprentissage profond de pointe tels que LCSSE, ArcFace et DenseNet.