随着新冠疫情的迅速传播,人们出行必须要佩戴口罩。但已有的人脸识别系统无法精准识别佩戴口罩者身份,还需人们在系统前脱掉口罩方可识别身份,增加了感染风险和延误了识别速度。还有一些不法分子在作案时佩戴口罩,给破案增加了难度。因此需要对现有人脸识别算法进行改进,充分利用人脸眼部以上的特征达到身份识别的目的。深度学习和数据共享为这一问题提供了解决途径。广义人脸识别包含数据获取,人脸检测,人脸关键点检测与对齐,人脸特征提取和人脸匹配这几个步骤。本文分别对这几个步骤进行研究,在基于现有算法的基础上进行改进。本文的主要研究内容包含以下几个部分:（1）获得人脸检测和人脸识别数据集。在继承现有公开数据集的基础上,通过网络爬虫的方法,从百度图片上得到佩戴口罩的人脸图像,并且进行信息标注,以扩充人脸检测数据集。对网络爬虫程序进行优化,通过内存共享和多线程的方式,提高程序运行速度。通过设计“模拟戴口罩”算法,扩充口罩人脸识别数据集。（2）针对人脸检测任务,探究了传统方法和深度学习方法的区别。在深度学习方法方面,探究了两种不同框架之间的性能,并且在原有框架的基础上,对网络结构,训练方法,损失函数,后处理还有先验框设置等方面进行改进,以得到更好的性能。通过多任务学习的方法,将人脸检测和人脸关键点提取任务集成在一个模型里。（3）分析了人脸对齐任务的必要性,并且通过仿射变换实现人脸对齐。（4）通过度量学习网络提取人脸特征,探究了不同损失函数的性能,并且对训练方法进行优化。在模型上添加空间注意力模块和设计有引导的注意力损失模块使得模型更多的学习人脸眼部以上特征,实现佩戴口罩也能识别身份。（5）使用Face Book开源的Faiss相似性搜索数据库构建人脸特征数据库。实现人脸特征的相似度快速匹配。在原有Retinanet人脸检测模型的基础上,本文舍弃了两个生成先验框的有效特征层,并且减少了每个网格先验框种类的个数,使用轻量级网络替换了原来的特征提取网络,在精度只是略微下降的情况下速度提高了97%。在训练集有限的情况下,本文设计的口罩人脸识别系统实现了94%的识别准确率。