人脸信息被用于各种验证场所,主要是因为相比于其他认证手段,人脸信息具有唯一性、实时性和难伪造性。跟机场、火车站等一些大型场所相比,住宅小区的住户容量较小,住户信息较稳定,可以更充分发挥人脸识别技术的优势。本文设计了一种基于卷积神经网络的人脸识别门禁系统,实现无接触、快速的门禁检测。本文主要对人脸检测、活体检测、人脸特征提取和对比等方面进行了学习与研究。采用核相关滤波算法（Kernel Correlation Filter,KCF）和Adaboost融合的方法实现人脸检测。在KCF目标跟踪算法中利用方向梯度直方图（Histogram of Oriented Gradient,HOG）特征和颜色直方图特征融合的方法对跟踪目标进行多尺度跟踪,使其能够跟踪检测由远而近运动的目标;之后在目标跟踪框中利用Adaboost算法进行人脸检测。测试证明,在同一段视频中采用KCF+Adaboost融合的方法进行人脸检测比单独使用Adaboost算法收敛速度加快0.7s。采用摩尔纹理和眨眼检测融合的方法进行活体检测。先对检测目标进行摩尔纹理检测,若通过检测则进行眨眼检测。进行眨眼检测时首先利用监督下降法（Supervised Descent Method,SDM）得到的人脸特征点定位1点的横坐标、3点的纵坐标、13点的横纵坐标来进行人眼区域定位,之后使用Hough圆检测方法对虹膜进行检测定位,最后通过比较虹膜区域和人眼区域的灰度平均值比值来判断眼睛状态。通过对静态的摩尔纹理特征和动态的眨眼特征融合的方法,来提高活体检测的有效率。构建了基于深度可分离卷积CNN+Squeeze-and-Excitation（SE）模块的模型。利用深度可分离卷积来减少运算次数和降低运行时间,利用SE模块注意力机制的网络子结构来加强通道间相关性的学习,强化重要通道的特征,弱化非重要通道的特征,最终训练出精确度良好的卷积神经网络模型。基于以上方法设计出的基于卷积神经网络的人脸识别门禁系统,经过测试证明,系统准确率可达94.74%。