人脸识别技术具有数据采集方便,验证速度快且精度高等优点,因此得到了人们的广泛关注并被广泛的应用于科学研究、金融、安防和互联网等领域。随着深度学习尤其是卷积神经网络的发展,人脸识别技术也得到了快速发展,现在人脸识别技术已经逐渐走出实验室,渐渐走进我们的生活之中。由此可见,深度学习对于人脸识别问题的重要性。本文主要针对基于深度学习的人脸识别方法进行了研究,并在已有的算法基础上进行了改进和创新,提出了自己的三种基于深度学习的人脸识别算法,目前已经取得的研究成果如下:一、对如何改善卷积神经网络对光照的鲁棒性进行了研究。受到传统人脸识别方法中应用的局部二值模式(Local Binary Pattern,LBP)特征对光照变化不敏感的启示,提出了一种基于LBP特征与卷积神经网络结合的人脸识别算法。该算法最主要的特点是改变了典型的卷积神经网络输入数据的格式。一般情况下,卷积神经网络的输入是原始的自然图像或灰度图像,而在该算法中首先将原始灰度图像转换成LBP特征图,然后将原始灰度图与LBP特征图进行融合,做为卷积神经网络的输入数据,融合后的数据比原始数据包含更丰富的信息。经过实验验证,此算法确实对光照变化鲁棒性有很大改善。二、对深度学习模型融合方法进行了研究分析。传统机器学习中的提升算法的核心思想是将多个弱分类器按照一定的策略组合成一个强分类器。受到提升算法的影响,本文提出了一种基于Maxout的深度学习模型融合人脸识别算法。该方法的基本思想是将两个表现性能欠佳的卷积神经网络,以Maxout的方式在选定的层进行模型融合,使融合后的网络同时拥有两个简单网络的优点,减少两个模型的缺点,从而提升整体网络的性能。实验结果表明,融合后的网络比两个简单网络表现效果都要好。三、对残差网络进行了研究和改进。残差网络是由原始残差单元堆叠而成,原始的残差单元中使用了一种重要的技术恒等映射,然而恒等映射对于深度较浅的卷积神经网络或许并不是最佳的选择。基于此文中首先提出了一种自主加权残差单元,该残差单元中不再使用恒等映射,而是采用一种自主加权的映射代替,然后利用自主加权残差单元与原始残差单元构造一种混合残差网络,最后经过多种组合对比分析选择出一种最佳的混合方式。经过实验验证混合的残差网络比只使用原始残差单元或自主加权残差单元组成残差网络效果更好。