人脸识别是一种生物识别技术,其能够根据人的面部特征识别人的身份信息和状态。其中性别和表情识别是人脸识别的重要研究方向之一。深度学习技术的发展使识别模型能够有效地处理大量数据并促进了人脸识别技术的发展。然而,在实际应用中,由于光照、遮挡和拍摄角度等因素影响,难以从自然环境下获取的人脸图片获取到有效特征。本文基于卷积神经网络模型,对2016年Chalearn Looking at People and Faces of the World竞赛中的性别和微笑识别问题进行研究。本文主要工作如下:1)介绍并分析卷积神经网络相关的原理以及常用模型。根据各模型的特点,在LeNet-5基础上进行改进并设计实现三个网络结构。通过在FotW数据集中训练和测试效果,对模型进行调整和优化。根据实验结果,选取基于Inception结构的CNN-3作为FotW数据集中性别和微笑识别的卷积神经网络结构。2)通过分析不同的激活函数和损失函数的特征,并在FotW数据集中进行训练和测试,研究了二者对模型训练和FotW数据集中性别与微笑识别的影响。根据实验结果,选取缩放指数线性单元(SeLU)作为激活函数,选取SoftmaxLoss与CenterLoss结合作为性别识别任务的损失函数,选择SoftmaxLoss单独作为微笑识别任务的损失函数。3)分析了迁移学习和支持向量机的基本原理。使用迁移学习方法训练模型来获得最终的网络模型。通过实验对比了该模型与传统特征提取方法的识别效果,并对比分析了本文提出的模型与竞赛获奖队伍提出的识别方法。实验表明,与传统特征提取方法相比,基于深度学习的卷积神经网络模型能更有效地提取人脸特征。迁移学习方法结合支持向量机分类器使性别识别和微笑识别的性能均有所提升。