人脸识别是现阶段最常用的身份验证方法之一。随着深度学习的不断发展,基于大型卷积神经网络的人脸识别系统被广泛提出并应用。但这些系统普遍存在占用大量计算资源,无法在移动设备和嵌入式设备进行实时识别的问题。因此,人脸识别的轻量化研究和提高轻量化模型的准确率成为现阶段人脸识别领域的热门研究方向。随着注意力机制的不断提出,通过应用注意力机制来提升模型的准确率成为现阶段常用的方法之一。基于此,本文对注意力机制在轻量化模型中的应用进行了研究与分析并提出改进方法。本文主要工作如下:1.在通道注意力机制中引入扩张卷积,增加了特征信息密度。并针对通道注意力机制中降维会破坏通道与其权重间的直接对应关系,本文使用一维卷积代替两层全连接层,提高通道注意力提取特征的能力,减少计算量。同时结合深度可分离卷积提出轻量级人脸识别算法——Fast Face Net。实验结果表明,本方法取得了良好的效果。2.针对通道注意力机制仅关注通道间的重要性,没有提取到更多的图像信息的问题,本文采用卷积模块与Transformer模块并联的方式,实现局部特征与全局特征的融合,提高模型的特征表达能力。同时,为了提高轻量级人脸识别模型的准确率,提出自适应惩罚角度损失函数。通过自适应调节惩罚角度的大小,避免样本角度较小时,添加的惩罚角度过大,导致训练过程中错过最优解。且当模型角度较大时,添加较大的惩罚角度,加快模型的训练速度。3.针对以上方法,本文提出基于AR的教师助手。利用深度学习方法对学生进行识别,在实现无体感考勤的同时,可以帮助教师了解学生信息,实施个性化教学。教师助手APP在移动设备可达25FPS。