随着信息化技术的发展和现代生活方式的改变,各个领域对于如何快速自动的识别出用户身份提出了更高的要求。生物特征识别中的人脸识别技术,由于其本身具有非接触性、易采集等特点,已经成为了身份认证领域的研究重点。传统的人脸识别技术主要包括几何特征法、模板匹配法以及子空间法等多种类型,由于这些方法容易受到光照、表情以及姿态变化等外部影响,导致人脸识别精度低,不能满足实际应用中的需求。随着深度学习算法的迅速发展,基于卷积神经网络的人脸识别技术凭借着能够通过样本训练“学习”到隐性人脸特征的特点,已成为当前领域的研究热点之一。虽然基于卷积神经网络的人脸识别方法能够通过增加网络的深度提高识别精度,但是网络的参数和计算量也会成倍增加,需要耗费更多的硬件资源和推理时间。因此针对深度人脸识别技术在实际应用中存在着网络参数冗余、模型计算量大以及推理过程慢等问题,本文通过对卷积神经网络的结构设计和损失函数进行研究,提出了一种小型的、识别精度更高的Small-FRNet卷积神经网络模型。相比于传统的卷积神经网络,该模型在结构设计上采用了深度可分离卷积和全局平均池化技术。首先通过深度可分离卷积将标准卷积分解成Depthwise卷积和Pointwise卷积,再利用全局平均池化层替代以往的全连接层作为特征向量表示的输出层,从结构上简化网络的复杂度,从而有效地降低网络的参数和计算量。同时为了改善人脸识别精度,该模型在损失函数设计上联合了 Softmax损失和中心损失作为监督信号对网络进行优化。在训练过程中,Softmax损失能迫使不同类别的特征保持分离,而中心损失则能最小化特征与其类别中心之间的距离,因此该模型能够提取出具有判别性的人脸特征,从而提高网络的识别准确率。通过实验仿真与测试可知,相比于DeepFace该模型的参数量和计算量分别减少了 97%和86%,在LFW人脸库上取得了 99.38%的准确率。最后,本文搭建了一套基于Small-FRNet卷积神经网络的人脸识别系统。该系统首先采用MTCNN技术对输入图像进行人脸检测与定位,接着对裁剪后的人脸进行预处理,然后通过Small-FRNet网络进行人脸特征提取,最后计算出待测人脸样本与标准人脸之间的欧氏距离,实现人脸分类。通过在ORL和Yale人脸库上进行性能仿真测试可知,该系统对光照差异、表情和姿态的微小变化具有较好的鲁棒性,识别效果良好。