目前,越来越多的应用需要身份识别技术,而传统的身份识别技术存在不方便携带,容易丢失、损坏、被破解等缺点。因此,生物识别技术中的人脸识别得到了广泛的关注,由于其具有唯一性、普遍性、易操作性、非攻击性等显著特点,安全性得到了保障。所以人脸识别的应用领域也越来越广泛,比如安全、军事、民用等领域。同时,人脸识别技术的研究对其他图像处理领域的发展也具有及其重大的意义。在实际的应用场景中,小样本数据集是人脸识别技术极具挑战的一个问题。传统的人脸识别方法首先对训练样本数据进行特征提取,再进行分类识别。而小样本训练数据的问题会导致传统的人脸识别方法很难获得较好的识别率。本论文的主要思想是,如何在只有少量人脸样本数据的情况下,有效地对人脸分类,提高人脸识别的识别准确率和人脸识别的鲁棒性。从而本文提出了一种基于迁移学习的人脸识别方法,主要的工作和创新有:针对上述小样本训练数据所导致的问题,本文提出了基于迁移学习的卷积神经网络人脸识别算法,主要思想就是以卷积神经网络模型为基础,在该模型的基础上融合了迁移学习技术的思想。但是卷积神经网络模型在训练的过程中,易出现过拟合的现象,并且训练的时间会比较长,针对这两个问题,本文提出了一个浅层的卷积神经网络模型,并在此浅层的卷积神经网络的基础上,融入了迁移学习技术的思想,提出了基于迁移学习的卷积神经网络人脸识别算法,从而改进了原本的卷积神经网络人脸识别性能。一,本文设计了一个浅层的卷积神经网络模型,并对卷积神经网络的学习率等参数进行调优,保证了卷积神经网络在短时间内收敛并不会出现过拟合的现象;二,加入迁移学习的算法思想,在设计好的浅层卷积神经网络的基础上,对少量的不重复的数据样本进行重新训练,相比卷积神经网络的分类性能,使得新的模型能够在耗费了少量的时间前提下,大幅度地提高了模型的分类性能,提高了人脸识别在小样本训练数据集上的鲁棒性和识别准确率。为验证本算法的可行性,选用了两种不同的人脸数据库对本文提出的算法进行测试评估,通过与PCA+KNN、SVM和基线卷积神经网络模型进行对比,本文提出的算法在较短的训练时间内,大幅度地提高了分类的准确率,验证了该算法的合理性。