人脸识别技术作为生物特征识别领域的前沿课题,一直是学术界和工业界研究的重点。在过去的几十年中,研究人员提出了许多不同的人脸识别算法,近年来,随着深度学习方法的引入,许多基于深度学习的人脸识别方法表现出强大的性能。本文研究了基于深度学习的人脸识别方法,并对关系匹配效率的深度人脸哈希进行了研究,具体完成的工作如下:(1)总结归纳了深度学习、深度人脸识别及深度哈希的发展历史和研究现状;介绍了卷积神经网络的结构及原理;对开源的深度学习框架Caffe的源码及软件架构进行了分析,并结合MNIST手写数字识别介绍了使用Caffe进行深度网络训练及完成图像识别任务。(2)针对深度模型训练过程中存在的大量的样本数据需求和实际应用训练数据不足的问题,基于迁移学习的思想,论文使用小样本数据集对现有的深度人脸模型进行参数精调,并将其迁移到特定的人脸识别任务。论文基于迁移学习的人脸识别方法在LFW人脸验证集上取得了 97.52%的精度,实验表明本文方法的有效性。(3)针对现有人脸识别方法特征维数高,计算开销大的问题,论文引入深度哈希将图像转换为一类感知哈希码来实现人脸图像检索、识别与匹配。为了减少图像哈希索引的冲突,提高人脸图像检索的精度,论文提出一种基于深度哈希与度量学习的方法。该方法使用深度神经网络学习图像深层特征,并引入三元组损失函数使得同类特征之间的距离尽可能小,异类特征之间的距离尽可能大。该方法利用随机映射将特征空间的高维人脸特征映射到汉明空间,使其在汉明空间的分布尽可能分散,以减少查询时碰撞概率。实验结果表明,论文所提方法与现有方法相比具有更好的性能。(4)针对闸机检票应用,设计实现了一个人脸识别检票系统,该系统包括人脸识别图形界面模块、人脸识别后台服务模块及动态链接库模块。论文详细介绍了其开发流程及软件架构,并使用真实数据进行了实验,验证了系统的可靠性和可行性。论文最后对全文进行了总结,并对以后的研究方向进行了展望。