随着近年来机器学习和深度学习技术的发展,人脸识别技术成为了研究的热点。基于深度学习的人脸识别技术的识别精度得到了很大程度的提高,但是这其中也存在着问题。深度学习以数据作为驱动,需要大量的数据用于训练,但是数据往往难以获得,因此产生的一个问题是如何使用小型数据集训练有效的人脸识别模型。为了解决上述问题,本文针对如何在小样本人脸数据集下训练有效的人脸识别模型进行研究,并将其应用于人脸识别智能门禁系统。首先,本文研究了图像预处理中的直方图均衡化技术和图像去噪技术,以及基于MTCNN的人脸检测算法。其次,本文研究了VGG16网络模型,VGG16网络模型虽然具有较高的精度和性能,但是其具有巨大的参数量和运算量,对人脸数据集的要求比较,也难以训练。本文基于深度学习的加速方法,分析了造成网络训练速度缓慢的原因,从模型结构方向入手,通过修改模型结构进行加速,基于VGG16重新设计了一个VGG7网络。通过实验分析表明,本文构建的VGG7网络具有更少的参数量和运算量,在AR人脸数据集上的精度达到了97.18%,具有较高精度。针对传统的卷积神经网络无法使用少量人脸图片进行训练的问题,本文研究了Siamese网络,通过相似性度量方法解决上述问题。本文基于Siamese网络,结合VGG7网络,设计了一个Siamese-VGG7网络。基于LFW人脸数据集构建数据集进行实验分析,实验结果表明,Siamese-VGG7在LFW数据集上的精度达到了90.06%,具有较高精度,而在训练集规模上的要求更低。最后,本文基于MTCNN人脸检测网络和Siamese-VGG7网络,设计了一个人脸识别智能门禁系统并进行测试。测试结果表明本文所设计的人脸识别智能门禁系统具有较好的实时性和准确度,能够满足门禁系统的实际应用需求。