人脸识别是一种重要的生物识别技术,近年来获得迅速发展,引入深度学习方法解决人脸识别问题,可以获得比传统方法更高得准确度和稳定性。因此,人脸识别技术已在安防系统、公安系统、支付系统等多个领域中获得广泛应用。但考虑到场景的复杂性、实时性和精准度等方面的需求,现阶段,人脸识别系统仍有较大的提升空间。针对人脸检测与识别问题,本文设计了一个完整的人脸识别系统。由图像预处理,人脸特征提取算法,人脸检测算法,人脸识别算法四部分构成,论文对每一步骤进行了深入研究。首先,由于实际样本采集过程中可能存在色彩信息混乱,图像尺寸不一等问题,本文首先对图像预处理进行了研究,对图像的灰度处理,平滑处理与几何归一化进行了理论研究与实现,以便后续人脸检测与识别使用。其次,在人脸检测模块中,本文对于传统方法中SIFT算法,LBP算法进行了分析,并对LBP做出一定改进,将其与SVM结合,设计了基于传统算法的人脸检测模块。对于深度学习方法,本文基于改进级联卷积神经网络作为人脸检测算法,通过多任务学习三层级联CNN来实现人脸检测。最后,本文设计了基于三元组改进的深度卷积网络优化算法作为人脸识别算法,主要通过将特征向量映射到欧式空间上,并基于三元损失算法,判断两张图像的特征在欧式空间上的距离,直接反应图像的相似度,从而完成人脸匹配识别。在实验验证中,基于Tensorflow深度学习平台,分别对基于传统算法和深度学习算法的人脸检测和人脸识别进行了实验,并基于LFW人脸数据集和自制人脸数据集进行测试,对人脸识别系统的识别准确性进行了验证,结果验证了设计方法的有效性。