随着近些年卷积神经网络在人脸识别技术中的应用,人们通过设计越来越深的卷积神经网络层数来提高识别精度,这样的模型一般很难移植到一些小型移动设备设备端。另外人脸遮挡识别是人脸识别技术中的一个难点,主要是因为脸部存在的遮挡会造成特征提取的过程中导致局部特征的损失,并且很容易与人脸局部未遮挡的特征相互混淆的问题,比如口罩、围巾遮挡导致神经网络提取出来人脸下半部分的特征发生的损失。结合上述问题,在基于轻量级网络的带遮挡人脸识别的研究上有很大的发展空间。本文主要做了两个方面的工作。首先为了能够在小型设备端上运行,我们提出了基于squeezenet设计的轻量级卷积融合模型mix-squeezenet,我们对提升特征提取的性能的方式进行了探讨,分析了基础模型squeezenet的核心结构之后,我们使用等感受野的小卷积核去替换squeezenet中的大卷积核,使卷积神经网络具有更强的非线性性能,并且采用池化层对后续输出等尺寸大小的fire模块进行特征融合,使提取的特征具有更加丰富的信息,并且防止了小的卷积核在复杂的人脸训练上容易过拟合的问题。通过上述改进之后能够减少训练的参数,模型能够更易收敛和提升网络在人脸识别中的性能。然后针对人脸下部分遮挡之后识别效果不佳的情况,我们采用对图像数据集进行一定比例的遮挡训练来增强网络模型对遮挡识别的鲁棒性,另外我们需要在图像训练的过程中减少遮挡区域对特征提取的影响,所以采用切断的二维高斯核函数方式来处理被遮挡的图片,根据遮挡对提取特征的影响设计了特定的切断二维高斯核函数的形状,直接将该函数作用于训练的FeatureMap之后,对于不同的区域设置不同的权值大小,可以有效地减人脸少下部分遮挡对整体特征提取的影响并且尽量保留未遮挡上部分人脸区域的特征。最后在CASIA-WebFace训练集上进行训练,对于mix-squeezenet在不同遮挡比例的LFW测试集中对模型的准确率进行实验验证,相较于其它的模型有较好的效果。