随着生物识别技术的飞速发展,基于生物特征的身份认证技术在日常生活中发挥着越来越重要的作用。其中,人脸特征采集方便,且具有稳定性、可靠性和唯一性,因此基于人脸特征的生物认证技术在安保和支付等领域得到了广泛的应用。但由于人脸是唯一且不可撤销的生物特征,一旦人脸模板泄露,用户将永远无法继续使用与人脸识别相关的服务,因此保证人脸模板的安全性对基于人脸特征的生物认证技术至关重要。然而由于人脸图像存在高类内差异和低类间差异,现有的人脸模板保护方案在实现高安全性的同时通常伴随着识别准确率下降的风险。此外,现有的基于深度学习的人脸模板保护方案大多数只考虑一次性完成模型的训练,在训练完成后无法持续更新模型参数以满足新用户的注册。本文面向这些问题进行研究,主要研究工作如下:1)针对人脸图像的低类间差异与高类内差异问题,本文提出基于残差网络与极化码的人脸模板保护算法。该算法为每个用户分配一个随机的二进制序列,将该二进制序列经过极化码编码后的码字作为标签来标识用户,最终将二进制序列通过哈希处理,并将得到的哈希值作为受保护的人脸模板存储在数据库中,用于后续的匹配。在训练阶段,利用残差网络强大的特征提取能力从人脸图像中提取更具有分辨性的特征,提高人脸图像的类间差异,实现人脸图像到对应标签的鲁棒性映射。在认证阶段,利用极化码良好的纠错性能减小由人脸图像高类内差异带来的噪声,进一步提高了识别性能。该算法在Extended Yale B、PIE、FEI和CFP数据集上验证了性能,在保证安全性的前提下,识别准确率超越了目前主流的大多数人脸模板保护算法。2)针对模型参数更新问题,本文提出基于知识蒸馏与注意力迁移的人脸模板保护方案。该方案主要通过增量训练的方式训练模型,在每一个增量训练阶段,模型仅通过额外的无标签数据集和新用户的训练数据集更新参数。在增量训练阶段,通过为无标签数据集生成伪标签构造辅助数据集,最小化利用辅助数据集计算的蒸馏损失和注意力损失,将旧模型学习到的知识迁移到新模型,使新模型能够识别已注册用户。通过最小化利用新用户集计算的交叉熵损失,使新模型能够识别新用户。在Extended Yale B,PIE和FEI数据集上的实验结果表明在模型经过多次增量训练后,该方案仍能保持较高的识别准确率。本文主要针对现有的部分基于深度学习的模板保护方案在解决人脸图像差异性以及模型参数更新问题方面的不足之处做出了一定的改进。实验结果表明,本文研究的方案在保证模板安全性的基础上可以达到较高的识别准确率,同时模型参数在添加新用户时能够得到有效更新,具有一定的实用价值。