身份识别在金融安全、安防等领域的重要性日益增加,而人脸识别由于其方便快捷、性价比高等优点在日程生活中得到了广泛的应用,也是近年来的研究热点之一。当今世界正在受到新冠肺炎疫情的冲击,人脸识别相较于指纹和身份证等身份识别方式,具有不需要接触特定传感器的特点,从而可以减少公共场所内的不必要接触,一定程度上减少了疫情传播的风险。由于新冠疫情的影响,佩戴口罩出行成为人们的生活准则,而口罩的遮挡使得采集到的人脸特征信息遭到破坏,造成识别性能严重下降从而导致无法进行身份判别。因此,佩戴口罩状态下的人脸识别算法研究在当下具有重大的现实意义。目前针对口罩遮挡下的人脸识别算法主要采用稀疏表示、局部特征提取和其他方法。稀疏表示主要使用训练样本对测试对象进行重新表示,而由于口罩的大面积遮挡使得身份信息丢失严重,导致很难将口罩人脸图像以常规人脸图像进行重构,因此识别效果不佳。基于局部特征提取的方法主要关注局部特征与人脸特征之间的关系,而这些方法多采用手工设计的特征对人脸特定区域特征进行提取,鲁棒性较差,在无约束环境中识别率较低。由于口罩人脸数据集的缺失,很多学者以添加随机噪声或黑色像素遮罩的方式模拟口罩遮挡,而这些方法在真实场景中很难进行有效地识别。针对以上口罩人脸识别算法中存在的问题,本文基于大余量余弦损失对口罩人脸识别算法进行研究,主要研究内容如下:（1）提出了基于大余量余弦损失函数的口罩人脸识别算法。由于深度学习需要大规模数据集对模型进行训练而目前缺少相关数据集,因此设计了一种基于人脸关键点检测的口罩人脸图像生成方法,将常规人脸图像进行预处理后检测其关键点的位置,根据人脸关键点的位置信息选取合适的口罩模板进行覆盖以生成口罩人脸图像。通过对生成口罩人脸数据集的特点进行分析,发现三元组损失函数并不适用于生成的口罩人脸数据集导致识别效果较差,所以采用了基于大余量余弦损失函数对模型进行训练。因为口罩的遮挡使人脸下半部分的特征遭到破坏,为了使模型更关注人脸上半部分未遮挡区域,通过加入卷积注意力机制使模型更关注于未被口罩遮挡区域的特征。实验结果证明,该算法具有较高的人脸识别性能,能够完成口罩遮挡状态下的人脸识别任务。（2）结合上述算法进行轻量化提出了轻量化口罩人脸识别模型。由于人脸识别模型通常被部署在计算性能较弱的嵌入式设备上进行应用,而基于深度神经网络的模型通常因为网络较深使得参数量和计算量较大导致延迟、卡顿等情况。为了解决上述问题,引入Ghost Net模块以减少模型的计算量,通过重新设计网络结构减少冗余的网络层,并设计了多尺度特征补偿模块以减少网络深度降低所带来性能上的下降,从而降低模型参数量和计算量,实现模型轻量化。（3）设计并实现了人脸识别平台。结合轻量化的口罩人脸识别模型搭建了人脸识别平台,主要包含口罩人脸图像生成、模型训练、实时人脸识别等功能,该平台可以通过摄像头识别口罩遮挡状态下的人脸图像。通过搭建端到端的人脸识别平台,满足了实际应用的需求。