在当今社会,人脸识别技术在许多领域被广泛应用,然而在例如车站、机场等人员流动频繁,周边环境复杂的无约束场景下,由于被识别人员存在姿态变化、表情变化、光照变化以及遮挡等问题,采集到的人脸图像质量参差不齐,因此需要对采集的人脸图像进行质量评估,同时也需要对无约束条件下人脸识别算法进行研究改进,要求设计的人脸识别算法能够克服无约束条件下众多干扰对识别带来的不利影响。因此解决在无约束条件下人脸识别的应用问题有着重要的研究意义。本论文依托于四川省科技计划重点研发项目“民航机场旅客自助安检系统关键技术研究”,考虑现有人脸图像质量评价存有一定的局限性,本文将人脸图像质量评估方法与人脸识别算法相联系,提出一种基于人脸识别算法特征提取的人脸图像质量分数的标定方法。同时对无约束条件下的人脸图像质量进行评估,提出了基于卷积神经网络（Convolutional Neural Networks,CNN）的人脸图像质量评估模型。通过设计和优化CNN网络,将通过网络提取后的人脸图像特征用于做回归训练,最后模型能够预测出人脸图像的质量分数,相比基于单一图像质量因子的人脸图像质量评估方法,本文提出的评估方法更加准确与可靠。为进一步探究CNN网络在人脸识别领域的可行性与优越性,设计出基于单通道卷积神经网络的人脸识别方法,并对设计的网络结构进行解释说明,对实验室采集的人脸数据进行训练与测试,再与其他人脸识别方法作对比,最终得到基于卷积神经网络的人脸识别方法优于传统的人脸识别方法的结果,表明了卷积神经网络在人脸图像特征提取的可行性。为进一步提高无约束条件下人脸识别的准确率,提出了一种基于双通道卷积神经网络的人脸识别方法。首先利用局部二值模式（Local Binary Patterns,LBP）在图像局部特征提取的优势,将人脸图像灰度图与人脸图像LBP特征图进行融合,并将融合特征图作为双通道网络模型中其中一个通道的输入图像数据。不同的通道对应不同的输入图像数据,再将两个通道提取的图像特征进行叠加汇合,最后采用Softmax分类器训练网络提取的人脸特征用于分类,将训练的模型作为人脸特征提取器在无约束条件下的人脸数据集上进行测试,最终能达到较高的识别率。