大学生课堂出勤率低是高校教学管理的难题,严格的考勤制度可以有效提高出勤率,需要在上课前快速准确完成并能实时记录学生参与课堂的情况,有效防止迟到、早退、课堂玩手机等不良现象,目前的考勤方法多为人工操作,也有少数研究人员开发人脸识别系统并应用于课堂和会议考勤;但还存在人脸检测召回率较低和低像素人脸识别失败的问题。单纯基于深度学习方法的人脸检测识别精度较高,但是需要海量的数据资源,更新数据库繁琐,对硬件设备要求苛刻等;因此,本文针对大学生课堂出勤的具体场景,设计实现了一个基于人脸识别的考勤系统。本文首先综述了国内外研究现状和研究意义,然后针对课堂学生考勤过程中人脸检测鲁棒性较差的问题,在FEI数据集的基础上增加人脸样本多样性并与WIDER FACE合并成新的训练集,用于改善MTCNN模型检测鲁棒性,仿真实验表明新的训练模型具有更高的人脸检测召回率;其次,由于局部二进制编码直方图算法(LBPH)采用全局特征等比重计算方式,在多人脸识别时正确率不高,提出了基于敏感特征加权的局部二进制编码直方图算法(S-LBPH),并给出敏感特征加权系数a的计算公式、S-LBPH算法流程图以及算法实现步骤,本文提出的S-LBPH算法相比经典的LBPH算法在数据测试集FEI和CASIA FACEV5上识别正确率分别提高1.5%和2.2%;接着,针对低像素图像人脸检测召回率和识别率较低的情况,尝试将单一图像分辨率重建的方法SRCNN应用于人脸检测和人脸识别问题,并给出了一种处理异常值与噪声的计算方法。基于SRCNN的人脸检测实验表明在2倍像素重建的图像中,人脸检测召回率由28.6%提高到92.9%,基于SRCNN的人脸识别实验表明随着图像分辨率重建尺度增大识别率逐步提高;最后,将SRCNN、MTCNN和S-LBPH结合构成了多人脸检测识别算法并应用于大学课堂考勤,实验结果表明在限制人脸的条件下取得人脸检测召回率和人脸识别正确率均为100%,在非限制人脸条件下最好结果取得92.6%的检测召回率以及96.3%的识别正确率。