现如今,在人脸识别邻域的发展比以往更加的迅速,生活中的许多地方都采用了人脸识别技术,比如人脸支付、门禁等等。人脸识别技术的发展都给人们带来了许多的方便,但现如今的人脸识别还是存在着许多的不足,这些不足也制约着人脸识别的发展。目前的人脸识别技术在检测人脸的过程中必须保证人脸是没有物体遮挡的,如果有物体遮挡,人脸就无法进行正确的检测。该问题造成了人们的许多的不便,解决人脸在有物体遮挡的情况能够正确识别是急需发展的。为了改善在遮挡情况下识别率不高的问题,本文提出了一种采用深度学习进行特征学习的全局加局部的遮挡识别算法,因此本文的研究成果主要有下面三个部分:1.本文首先提出了全局和局部人脸的概念,传统的遮挡识别方法只注重于全局人脸的识别而忽略了局部的因素,由于遮挡会造成局部特征大量缺失,这会造成识别过程的准确率下降,因此识别的精确程度很难得到提高。为了提高精确程度,本文将全局和局部的因素进行综合考虑,训练集采用的是AR数据集,本文利用SIFT和SVM算法对该数据集上的人脸的局部进行图像遮挡的判别,截除有遮挡的局部面部,形成全局面部,局部面部主要是人脸的五官面部,则全局和局部数据集会形成最终的训练集。2.本文基于全局和局部的概念提出了基于attention机制的全局与局部人脸遮挡识别机制算法。首先本文会采用lenet-5的卷积神经网络,训练的过程中会分别赋予全局和局部不同权重,例如眼睛被遮挡了,该部分权重则会降低,该训练极大的加强了其他不遮挡局部的细节,使训练的精确度得到了极大的提升。3.本文基于全局和局部的概念提出了多分类器的相似性加权投票方法的人脸遮挡识别。本文会为全局和局部的数据集采用多个分类器来进行训练,最终分类器得出的结果会采用改进的分层的投票方法对人脸进行最终的判定,加快了多分类器的训练和预测速度。