随着计算能力和数据量的增加,深度学习的二次崛起给计算机视觉领域带来了巨大的发展,通过训练深度神经网络,人工智能系统突破了传统方法在准确度上的瓶颈,在某些领域超过了人类的表现。随着准确度的不断提升,人脸检测和人脸识别技术已逐渐走向商业化,进入人们生活。针对人脸检测与识别算法,尤其是人脸识别算法在嵌入式系统部署中计算复杂度成为热点问题,本文从系统设计、算法设计和硬件平台设计与实现三方面进行了研究,设计并实现了一种可以实时运行的嵌入式人脸检测与识别系统。本文首先在嵌入式人脸检测和人脸识别技术的基本理论上分析了人脸检测与人脸识别的基本方法,选择人脸检测和人脸识别级联的识别方法而非对输入图像直接分类识别人脸的方案;在算法方面,提出了改进的MTCNN作为前置人脸检测算法模块;针对人脸识别算法复杂度问题,设计并训练了 SELCNN轻量级人脸识别模型,在LFW数据集上取得了98.12%的正确率;在算法研究的基础上,本文设计并实现了一套人脸检测与识别系统,针对1:N人脸识别的规模问题和数据问题提出了解决方法;最后本文设计并实现了基于Nvidia Jetson TX2和Raspberry3 B+ncnn+Intel Movidius NCS两套不同的嵌入式硬件平台,对本文的嵌入式人脸检测与识别系统进行了实现和测试,测试表明系统可以在嵌入式平台实时运行。今后进一步的研究工作可以在本文的研究基础上进行,在人脸识别算法上通过引入更大的训练数据集,使用知识蒸馏和图像生成技术在进一步压缩人脸识别网络模型的前提下保证人脸识别的准确率;在嵌入式硬件加速平台开发上引入计算能力更强的加速模块,设计资源利用更紧凑的加速方法,达到进一步提升嵌入式人脸检测与识别系统性能的目的。