非限制性人脸识别技术具有隐蔽性高、侵犯性弱和实用性强等特点,是目前身份识别领域研究的核心内容之一。由于非限制性条件下的人脸图像自由度高、特征量大、干扰因素复杂,常规算法一直无法取得理想的识别效果。近年来,以深度学习理论为代表的新型人工智能算法已经在目标识别和分类方面得到了成功应用。因此,本文基于DBNs深度学习模型设计了非限制性人脸识别算法,并对其通用性进行了探索研究。本论文首先对非限制性人脸识别的特点和难点进行了描述与分析,介绍和总结了目前常用的人脸识别算法。其次,论文详细研究了深度学习原理,成功构建了基于DBNs网络的非限制性人脸识别算法模型,引入了Relu线性修正单元函数作为激励函数,设计了基于KL相对熵稀疏性限制和dropout机制的优化算法。接着,论文重点研究了小样本条件下算法识别性能下降的关键因素,成功构建了基于混合DBNs网络的小样本人脸识别算法模型。该模型采用CNNs深度卷积网络对样本进行扩充,通过改变卷积核以及下采样层和卷积层间的映射关系来确保新生成模拟样本的多样性。最后,论文分别采用cifar-10自然场景图像库和SAR军事图像库对设计的算法模型进行了通用性验证。针对SAR图像的特殊性,论文采用二维熵阈值分割算法对SAR图像进行了预处理,通过目标和阴影分割增强特征对比。实验结果表明:本文设计的人脸识别算法模型满足实际使用需求,并且在小样本条件下仍然可以保持较好的识别率;算法模型也同样具有较好的通用性,可以为后续研究人员解决类似问题提供定性参考。