近年来,计算机视觉作为新崛起的领域发展迅速,人脸检测与识别重要的潜在的商业价值、巨大的应用前景和学术价值,使其成为研究的热点和难点,已被广泛应用于人证合一、安检及金融等领域。越来越多的学者、机构和企业都在相关方面相继进行了大量的研究工作。深度学习的高层语义特征使得众多学者将其应用在人脸检测与识别领域中,人脸识别任务在基于深度学习网络上已经有着较高的水平,这已超出了人类在这个特定任务上的水平。但目前人们仍面临由于光照、姿势变化、人脸图像质量、遮挡等问题,无法定位或识别出准确的人脸问题,逐步成为人脸检测与识别的最大障碍。本文在对已有的研究方法与现有问题进行了深入的分析和总结,旨在提取对多尺度和遮挡人脸鲁棒的特征进行人脸检测与识别,主要工作包括以下内容:(1)考虑到人脸的多分辨率问题,本文提出了基于深度学习的多视角人脸特征学习方法,主要使用两个模块的深度学习网络进行人脸特征的训练与学习,一方面使用大视角模块对人脸特征进行粗略学习,另一方面使用小视角模块学习人脸的精细特征,以提高检测精度。首先,利用一个具有大卷积核的网络模块进行人脸特征学习,即粗学习,可以学习到人脸的整个结构并获取人脸位置信息;然后用另一个网络模块的小卷积核进行特征学习,可利用粗学习的输出作为辅助信息进行精细学习,获取更精确的人脸特征。(2)本文分析了基于经典的VGG神经网络用于特征提取时存在的问题,即直接把全连接层作为最终的特征,对不同尺度人脸提取的特征表示效果不理想的问题,在多视角人脸特征学习方法基础上,提出了基于人脸上下文特征的多尺度深度学习框架,通过进行不同深度学习网络阶段的特征层学习,特征标准化不同阶段的不同尺度特征层,串接作为最后的全局特征;在每个网络阶段的特征层上进一步详细学习,学习人脸的位置、上下文信息和人脸中心特征,将其作为局部特征;最后将全局特征和局部特征进行连接,作为最终的人脸特征表示,有效的提高人脸的判别性和表达性,并最终提高了人脸检测与识别的性能。最终,本文将提出的人脸检测与识别方法分别在三个数据集上进行检测与识别实验,与研究方法进行了对比分析,并验证了本文所提出方法的有效性。从人脸检测与识别的实验结果可以看出本文提出的方法提高了检测和识别精度。