人脸识别技术是计算机视觉领域一个重要的研究领域，越来越多的学者和公司已经投入到对人脸识别的研究中。人脸识别技术作为生物特征技术的一种，在如何保障社会信息安全具有其独特的优势。人脸识别技术虽然取得了很大的进步，但同时也面临很多需要研究进行解决的问题。在可控环境下，人脸识别技术已经达到了一个很高的水准，但是在不可控的环境下，比如在光照、姿态、表情变化等情况下，人脸识别算法由于不能有效的提取人脸特征信息，从而导致识别率下降。所以，如何在环境复杂条件下，如何尽可能多的提取尽可能多的和更能反映人脸本质特征的算法成为当前人们研究人脸识别技术的重点。
　　在对当前人脸识别技术以及相关论文的研究中，本文在深入研究当前人脸识别的最新技术以及成果的基础上，研究了LeNet-5网络、AlexNet网络的优缺点，并在此基础上研究了二维Gabor滤波器在不同光照环境下的性能。同时针对卷积神经网络训练过程中容易陷入局部最优解的问题，对网络的训练方法进行了改进。本文主要做了以下工作：
　　在基于卷积神经网络的网络结构中，以LeNet-5网络基础，充分研究 AlexNet网络的特点，将其优点用于LeNet-5网络对其进行改造。由于LeNet-5网络是针对手写字体，直接用于人脸识别本身并不合适。因此为了获得具有较高识别率的人脸识别的网络，本文对AlexNet网络进行研究，充分利用其优点，在构建网络上从卷积核尺寸的大小、激活函数的选择、Dropout技术的选择等方面在对LeNet-5网络进行提升，在AR人脸库上的实验表明，本文经过改进后的卷积神经网络所构建的人脸识别系统具有良好的识别性能和鲁棒性，优于其他算法。
　　针对在人脸识别中在光照、表情变化等外界复杂环境下识别率容易下降的问题，本文在卷积核预设Gabor核来实现对人脸特征的提取。同时又针对卷积神经网络在训练过程中由于采用BP反向传播算法进行训练，容易陷入局部最优解的问题。对网络训练进行优化，来提高网络的识别精度和泛化能力。在实验中，本文提出的算法在ORL人脸库和Yale-B人脸库的实验显示了本文算法在光照环境变化较大的情况下仍然能保持良好性能的显著优势，而其他算法识别率则变化较大，从中可以看出本文算法具有良好的鲁棒性和泛化能力。