图像分类识别是计算机视觉的一个研究热点。人脸识别技术又是图像分类的重要研究方向,它能通过非接触的方式检验人员身份、具有简单方便和易于实现的特点,因而在许多地方得到广泛应用。但传统的人脸识别技术局限于实验室场景下,在测试算法性能的时候使用的数据库里的样本都被严格控制了光照、姿态、表情等变化,并且有些获取图片特征的计算量较大,无法满足现场应用的实时性要求。因此解决人脸识别的现场应用问题具有重要的研究意义与应用价值。本文在深入研究了CNN(LeNet-5卷积神经网络)模型之后,提出了一些改进的方法和措施。本文的主要工作内容如下:(1)通过增加级联原LeNet-5卷积神经网络层,修改调整网络层参数,得到了改进的Lightened CNN(LCNN)网络模型,并使用比随机初始化更好地参数初始化方法来缩减模型的收敛时间,最终该新模型不仅解决了原LeNet-5模型训练参数不易调节、训练模型提取特征不足等方面的问题。在CISIA人脸数据库训练出人脸模型,并在AR、LFW等数据库上进行实验,获得了识别率为94.70%的实验效果。(2)为进一步解决人脸在复杂自然环境下的干扰因素,处理单个图片有少量遮挡的情况,在LCNN数据输入网络层增加稀疏滤波(Sparse Filtering),并形成新的SF-LCNN网络模型,且对SF-LCNN网络模型进行Dropout技术改进,提高收敛速度,同时调节网络层参数,进一步提升了该网络对较为复杂的人脸图片的特征提取能力,提高了识别精度,并在AR、LFW等数据库上进行测试实验,识别率达到97.65%。(3)最后,基于上述模型算法设计一套基于摄像头实时监控视频的人脸识别系统,应用于曾宪梓实验楼大厅场景中。并对本智能人脸识别系统各个模块的功能和流程进行详细介绍,使用采集的本校学生照片进行建立人脸数据库,并在数据库上进行了测试,测试达到97%以上的准确度。本人脸识别系统验证了本文方法的有效性,一定程度满足人脸识别的实际应用要求。