社会的正常运行离不开对人身份的鉴定,随着社会节奏的加快,在诸如机场、车站、酒店等需要广泛进行人员、证件核实的场所通过机器代替人工完成人证比对已是大势所趋。随着深度学习技术的发展,基于卷积神经网络的人脸识别技术已经在相关应用中展现出了较传统算法而言巨大的优势,诸多优秀的人脸识别算法仍在不断刷新着各项专业竞赛的数据。将基于深度学习技术的人脸检测和人脸识别算法应用到人证比对系统当中,进一步提高人证比对系统的效率是一个值得研究的课题。同时,人脸识别效果在应用场景中通常会受到光照条件、遮挡、人脸姿态等多方面因素的影响,如何增强人脸识别算法的鲁棒性,如何快速精准的检测出实时人脸,如何优化算法提高人证比对系统的效率,都需要进行系统的研究和分析。本文实现了基于深度学习的人证比对系统的搭建,重点研究了人脸检测、人脸识别算法的实现和改进方法。人证比对场景中一个较大的问题是如何能够快速、准确地识别出人脸,本文在实现人脸检测算法MTCNN网络的基础上结合目标检测的相关知识,对人脸检测算法做出了改进,提出了基于卡尔曼滤波改进的MTCNN算法,较为明显的提升了人脸检测算法的性能。在人脸识别算法的设计方面,本文通过对经典的人脸识别网络Facenet进行训练和测试,提出了一种改进的人脸特征提取网络,在满足准确率要求的同时,加快了模型训练速度与收敛时间。通过对原始的Inception-Res Net-v4模型进行了轻量化处理,减少特征提取网络的参数量。在人证比对系统的功能性创新方面,本文在实现基本的人证比对功能的基础上开发了系统的员工模式功能,做到了人脸比对与人脸识别功能的统一。本文详细设计并实现了基于深度学习的人证比对系统,包括人脸采集模块、身份证信息采集模块、人脸检测模块、人脸比对模块和用户界面模块,并通过一系列实验对系统的功能和性能进行评估。经实验测试,本文设计的人证比对系统的准确率可以达到96%,能够较好的满足应用需求。系统的附加功能员工模式可以成功实现,进一步增加了系统的实用性。