人脸识别(疲劳检测)有着广泛的应用。传统的人脸识别(疲劳检测)算法受遮挡、光照、姿态变化等的影响较大,常导致人脸误检、漏检严重等,而深度学习因其具有较强的特征表示学习能力,可有效提升遮挡、光照、姿态变化等复杂场景下的人脸识别(疲劳检测)性能,备受研究者的关注。为此,论文以课堂人脸检测与识别的考勤和专注度分析为背景,侧重围绕密集人脸、遮挡场景下的人脸识别(疲劳检测)开展研究,主要工作如下:1.提出了一种融合多深度神经网络的密集人脸检测方法(Merge DeepNet,MDM)。该方法运用MTCNN的综合性能强、SSD对模糊人脸有较强的鲁棒性以及Face R-FCN对极小人脸有很好的敏感性,构建了一种新的混合深度学习网络结构,以此结合这三种不同人脸检测特点,提升密集人脸的检测精度。FDDB人脸检测数据集上的实验验证了该方法的有效性。2.提出了一种融合SVM分类的FaceNet人脸识别方法(Merge SVM FaceNet,MSFN)。该方法采用FaceNet人脸识别深度神经网络为主体网络,提取面部特征作为训练数据,进而运用SVM算法训练一个人脸分类器。此外,该方法可有效利用新的人脸样本,重新训练SVM人脸分类器以提高身份识别精度。LFW人脸识别数据集上的实验验证了该方法的有效性。此外,以课堂考勤为背景,进行了密集人脸的检测与识别验证了以上两种方法的有效性。3.提出了一种基于深度学习的面部专注度判别方法(Deep Face ConcentratNet,DFCN)。该方法采用传统的疲劳检测方法对YawDD数据集进行疲劳与非疲劳处理,构建用于深度学习的D-YawDD人脸疲劳数据集,进而构建基于VGGNet-19网络和ResNet-18网络的人脸疲劳分类器。D-YawDD人脸疲劳数据集上的实验验证了该方法的有效性。4.以上述提出的方法为基础,结合课堂环境下的考勤与学生学习专注度判别应用背景,研发了课堂考勤与学生专注度判别原型系统。