近年来,人脸识别是生物特征识别、计算机视觉等领域研究的热点课题之一。人脸识别按照测试数据类型可以分为受控场景人脸识别和非受控场景人脸识别。在受控的场景下,人脸识别技术已经达到了令人满意的效果。然而在实际的应用过程中,由于光照变化、姿态变化、遮挡和表情变化等一系列非可控因素的影响,可能导致非受控场景下的人脸图像类内变化远大于类间变化,使得人脸识别的性能急剧下降,无法满足实际应用的需求。因此,本文将针对非受控场景中的人脸识别问题展开深入研究与分析,针对其中的关键问题和难点,提出相应的解决办法。本课题依托于XX公司考勤系统设计的工程应用背景,针对非受控人脸识别问题中的各类干扰因素以及―数据缺失‖现象,对人脸识别算法进行了研究和设计。针对非受控人脸识别中各类干扰因素的影响,本文设计出一种改进的卷积神经网络(CNN)进行人脸识别工作。该CNN模型具有多个隐藏层,通过逐层提取特征的方式,能够很好地消除非受控状态下人脸识别问题中各种复杂干扰的影响;针对由姿态变化或者饰物遮挡等原因造成的―数据缺失‖现象,本课题设计出全连接层同时与卷积层和池化层全连接的CNN模型。鉴于卷积神经网络层数越高视野域越大的特性,这样的连接方式可以既考虑局部的特征,又考虑全局的特征。融合整体和局部的特征表示能够更好的应对数据缺失问题。本文首先在Youtube Faces人脸数据库(非受控场景人脸数据)进行算法验证实验,并与人工设计特征识别方法和其他深度学习方法进行了比较。实验结果表明本文提出的基于深度卷积网络的人脸识别算法相较于人工设计特征识别方法有一定的优越性。最后,本文还在采集的XX公司157人的人脸数据库上进行了人脸验证试验,取得了95%以上的人脸验证成功率,也证明本课题提出的CNN模型对非受控场景下的人脸识别具有较好的鲁棒性。