人脸识别作为深度学习重要应用之一，在近几年中取得突破性进展，被广泛应用在视频监控、客流疏通、火车机场安检等领域。对人脸识别系统而言，人脸图像样本的采集是最基础的一环，但采集大量样本成本很高，且在护照和身份证信息核对等实际应用中，只能采集到的每个个体身份证上的人脸图像，这就产生了只有单张训练样本的单样本人脸识别。只利用一张训练样本在光照、表情、遮挡等约束条件以及无约束条件下识别出目标样本。由于类内变化较大，基于简单匹配，会导致诸多人脸识别算法在解决单样本人脸识别问题时，无法识别或识别率太低。卷积神经网络相对于全连接神经网络，对输入图像的旋转、平移、形变、尺度等变化具有一定程度不变性，还具有参数少的优点。本文在卷积神经网络的基础上，进一步优化卷积操作与卷积网络，提出基于卷积神经网络的单样本人脸识别算法。
　　本论文主要工作如下：
　　(1)针对数据集中包含光照变化人脸图片问题，提出非对称深度可分离卷积自编码算法。为了将单样本扩充成中等规模数据集，首先使用深度可分离卷积核搭建卷积编码器，编码器深度大于解码器，参数小于解码器形成非对称；然后用相关数据集训练非对称深度可分离卷积自编码模型，使模型可重构单样本主要人脸信息，变化光照信息，扩充单样本数据集；再用扩充后的数据集训练人脸分类器，训练完后的分类器即可识别人脸。将算法在经典光照变化数据集Extended Yale B上进行实验验证，结果表明该算法可以重构出各种光照变化的人脸图像，且取得较高的识别率。
　　(2)针对数据集中包含表情、遮挡、光照变化人脸图片的复杂问题，以解决表情、遮挡为核心，提出可变形卷积自编码算法。首先用可变形卷积核、普通卷积核、深度可分离卷积核搭建卷积编码器，编码器深度大于解码器，参数小于解码器；然后用相关数据集训练可变形卷积自编码模型，使其重构拥有单样本主要人脸信息与形变、遮挡特征变化人脸图片；再将可变形卷积自编码器作为人脸预分类器，借鉴迁移学习方法，用重构出的人脸训练分类器，训练完后的分类器即可识别人脸。在带表情、遮挡、光照变化的AR数据集上进行验证，结果表明该算法可以重构出各种形变、遮挡、光照变化的人脸图像，取得不错的识别率。
　　(3)针对在非约束环境下人脸识别问题，构建LFW数据集的非约束单样本人脸子集，设计模型无关(MAML)算法的卷积架构，将MAML算法用于LFW非约束单样本人脸子集中。算法基于优化卷积框架初始化参数的思路，先构建一个随机化参数的卷积框架，然后用相关数据集训练卷积框架，得到最优初始化参数，再用单样本微调卷积框架，得到识别器。在LFW非约束单样本人脸子集上进行验证，具有训练次数小、速度快的优点，在非约束环境下表现较好，识别率较高。