人脸识别课题是计算机视觉领域中流行以及长期存在的课题,随着对深度学习认识的逐步加深、大规模数据集的便捷获取、以及硬件加速平台的突破,深度人脸识别技术也相应迎来了质的飞跃,并在现实中得到了广泛的应用。但针对在现实中不同应用和场景下的问题,更精确和稳定的人脸识别以及更高效实时的识别速度仍然是一项重大挑战。本文主要从以下三个方面对人脸识别进行性能提升:更轻量化的人脸检测、更有效的特征提取网络、更有判别性的损失函数。通过这三方面的优化与改进实现更快速、更精确的人脸识别。1)针对在无约束环境下,人脸检测和对齐总是部署在计算能力较低且储存空间有限的移动设备上,无法达到实时效果这一问题,提出了一种新型的单级轻量化人脸检测方法。通过人脸检测骨干网的轻量化设计,实现了在非GPU嵌入式设备下的实时人脸检测,通过引入多种优化策略,可以有效提高检测精度。并与几种实时人脸检测算法比较,该方法在速度和精度综合考虑下具有明显的优势。2)针对现有人脸识别网络模型只针对特征提取而忽略特征设计的问题,提出了双注意力机制网络结构。首先设计低层特征,细节注意力机制自适应学习层次特征,通过特征金字塔捕捉多尺度信息,采用注意力机制鼓励模型注意局部特征。其次,对于高层特征设计,通过语义注意力机制对高层特征进行自适应语义分组,并根据分组概率与对应分组的线性加权获得语义特征。最后,结合两种特征产生高质量、更具判别性的人脸特征。3)针对现有训练损失没有考虑边际自身情况,导致模型在分类过程中对不均衡样本分类效果不明显,且不易收敛的问题,提出自适应圆边际损失Ada CMLoss,主要通过分析边际自身,根据样本类别的不同自适应学习不同的边际,使每个样本类都存在独有的边际,具体来说,通过对不均衡样本中少量样本学习更大的裕度,使样本在特征空间的类内压缩更紧凑,并在压缩类内的同时潜在地增大了类间距离,使模型具有更强的泛化能力和清晰的收敛状态。