卷积神经网络是一种特殊的深层的神经网络模型,它是将人工神经网络和深度学习技术相结合而产生的一种新型人工神经网络方法,具有局部感受区域、层次结构化、特征提取和分类过程结合的全局训练的特点,在图像识别领域获得了广泛的应用。卷积神经网络的特殊性体现在两个方面,一方面它的神经元之间的连接是非全连接的,另一方面同一层中某些神经元之间的连接的权重是共享的,这种非全连接和权值共享的网络结构降低了网络模型的复杂度,减少了权值的数量,这种网络结构对平移、旋转、倾斜、比例缩放等具有高度不变性。本文设计了基于卷积神经网络结构的人脸检测算法可以鲁棒检测高度可变的人脸图像,可以自动从一组有人脸和无人脸图像训练集中,自动合成简单的特定问题的特征提取器,而不需要做任何假设或使用任何手工提取特征和人脸区域。所设计的卷积神经网络结构和训练方法,对于旋转、遮挡等背景复杂的图像具有较好的鲁棒性,在检测率和误警率之间取得了很好的平衡性。实验表明,一个有效人脸检测系统在图像区域分类之前并不需要任何昂贵的局部预处理。论文中的算法在三个具有挑战性的数据集中取得非常高的人脸检测率,特别低的误警率,而无需使用多个网络去处理困难的情况。同时,我们还设计了基于卷积神经网络结构的人脸性别识别算法,直接输入检测得到的人脸图像,避免了对图像复杂的前期预处理。特征提取和模式分类同时进行,卷积层和下采样层由多个特征图组成,并且可以通过学习训练得到。通过在不同人脸数据库上的实验,研究了卷积神经网络是否对光照、旋转、遮挡等影响人脸的因素具有鲁棒性。研究了过滤器对网络性能的影响,通过增加和减少过滤器的数量,创建三个模型应用于数据集上进行实验,发现过滤器的多少对网络的分类能力有影响,选择合适的过滤器个数仍需要通过不断实验来人工选择。