众所周知,随着计算机科学技术的发展,人工智能领域的相关研究近年来一直在进步。当人们开始尝试使用计算机解决更复杂的任务时,深度学习算法随之诞生。截至目前,深度学习算法已经在多个领域为人们解决了诸多问题,其中,人脸识别是深度学习最重要的应用领域之一,近年来,随着深度学习算法的发展和大量数据集的积累,人脸识别取得了关键性的研究突破。然而,大规模人脸数据集中通常含有大量噪声标签,这会降低模型的鲁棒性并使训练过程变得困难。尽管有一些方法可以人工清除噪声标签,但时间成本过高。因此,在样本数据集中有大量噪声标签存在时,深度学习算法的表现并不尽人意,而元学习算法可以通过“学会学习”的方式来解决这类问题。元学习的目标是在各种学习任务上训练模型,使其仅使用少量训练样本就可以解决新的学习任务。在元学习中,模型从多组带有标签的任务中学习,其中每个任务又由一个训练集和一个测试集组成。因此,元学习的特性决定了它可以更好地解决噪声标签问题。为了解决人脸识别数据集噪声标签的训练问题,本文提出了一种基于元学习的抗噪声训练算法,通过生成噪声标签来模拟真实训练,并在梯度更新后,使用每组生成的噪声标签来训练模型,从而最终训练好的模型不会过拟合特定的噪声。该算法的核心是在模型参数优化之前先进行元学习参数优化,在使用梯度下降算法从带有噪声标签的数据中学习特征后,再更新元学习模型的参数。实验结果表明,本文提出的模型可以对人脸进行有效且准确的识别,并且与现有的方法相比,该模型能更好地解决人脸识别数据集噪声标签等问题,并有较高的识别准确率。