人脸识别技术是一种重要的生物特征识别技术,因其方便、安全等特点广泛应用于金融、安防等领域。为了解决在检索系统中由于人脸图像的急速增长而导致识别过慢的问题,本文提出了基于卷积神经网络的大规模人脸聚类算法。通过聚类技术,原本规模较大的人脸数据库被划分成若干个相似库,从而使检索的范围进一步缩小,以提高识别效率。大规模人脸聚类的技术难点在于高效的人脸特征和快速准确的聚类算法。高效的人脸特征主要表现在该特征能从本质上区分不同的人脸,而不受光照、姿势、表情、遮挡物等因素的影响。区别于一般的聚类算法,大规模的人脸聚类算法应当同时满足准确率高和时间复杂度低等要求。为此,本文通过构建卷积神经网络来提取高效的人脸特征,并在此基础上探讨了经典K-means算法和现代主流的CFSFDP算法(Clustering by Fast Search and Find of Density Peaks)的性能问题。本文的主要内容如下：1)构建了深层的卷积神经网络,即CNN,并通过该网络学习得到高效的人脸特征。跟传统的特征提取算法相比,该方法具有不依赖于经验且全面考虑人脸的复杂性、非线性和高阶性等优点。实验结果表明,基于卷积神经网络的人脸特征能有效消除光照、姿势、表情、遮挡物等外在因素的影响,具有良好的鲁棒性；2)针对经典K-means算法的不足,本文采用K-means++算法来解决聚类中心点初始化随机性的问题,降低了聚类中心点陷入局部最小值的可能性,同时设计合适的类簇指标来估算k值,克服了k值需要事先设定的缺点；3)实验采用MSRA-CFW人脸数据库作为验证集,该人脸数据库的规模较大且变化模式复杂,并通过Rand Index、信息熵和F1-measure指标来综合评价聚类结果,同时采用混淆矩阵可视化的方法来解决大规模聚类难以直观展示其结果的难题；4)采用CNN、PCA和HOG等特征提取算法与K-means、改进的K-means和CFSFDP等聚类算法来设计对比实验,实验结果表明,在大规模人脸聚类的情境下,CNN特征融合K-means++算法的聚类效果更为出色,且只需1组k值估算实验,其时间复杂度也较低。