随着当今世界科学技术的进步与发展,人工智能技术已经向农业、服务业、航空航天、医疗卫生和国防军事等领域不断渗透,带起了新的一轮科技革命。智能安防机器人行业在人工智能技术的加持下,也在飞速发展。我国当前安保行业人员缺口巨大,而随着我国当前人口老龄化问题的日趋严重,传统的物防+人防的模式已经不能满足我国社会越来越大的安防需求,所以采用智能安防机器人代替传统安防模式已经成为我国当前安保领域的发展趋势了,而人脸检测和识别技术正是保证智能安防机器人成功执行安防巡检任务的一项重要技术,研究人脸检测与识别技术在智能安防机器人上的高效应用具有很高的工程意义。因此本文基于智能安防巡检机器人展开了关于人脸检测与识别的相关方法研究,主要的研究工作如下:（1）论文介绍了本课题研究的背景及意义,提出了当前存在的问题及解决方案,还介绍了智能安防巡检机器人的国内外研究现状以及人脸检测与识别技术的国内外研究现状,然后介绍了论文的研究内容及组织架构图。（2）论文研究了基于多任务级联卷积神经网络（Multi-task Cascaded Convolutional Networks,MTCNN）框架改进的快速人脸检测方法,针对智能安防巡检机器人机载电脑人脸检测实时性不够良好的问题,改进了MTCNN目标检测框架:首先,通过调整输入图像金字塔的缩放比例,并根据后续人脸识别任务的要求,调整网络结构,保证检测得到的最小人脸图像大小可被识别,避免检测到过小的人脸区域而不能完成识别任务,浪费计算资源;其次通过改进网络的输出,去除了人脸关键点检测任务,只保留人脸分类结果和人脸区域框的四个坐标位置,从而提高了人脸检测网络的速度,实现人脸检测网络在机载电脑上良好的实时性能。改进后的网络在Celeb A（Celeb Faces Attribute）和Wider Face（Web Image Dataset for Event Recognition）公共人脸数据集上训练,实验结果表明,改进后的MTCNN人脸检测算法其他著名人脸检测算法在实时性、准确性上都有了较好的提升,对比原先的MTCNN算法在准确性与实时性上都有更优的性能。（3）论文研究了基于联合注意力机制的深度学习人脸识别方法,先是研究对比了几种损失函数,最后设计联合损失函数;接着分析了计算机视觉中引入注意力机制的好处,并设计了联合通道域注意力网络和空间域注意力网络的联合注意力机制网络,然后合并联合注意力机制网络和特征提取网络设计人脸识别模型。最后在LFW（Labeled Faces in the Wild）and YTF（You Tube Faces）公共数据集上训练,实验结果表明,引入联合注意力机制可以让模型在人脸识别过程中更多关注重要特征,忽略不重要的特征,可以较好地提升人脸识别模型的性能。（4）论文介绍了实验室搭建的智能安防巡检机器人视觉实验平台,包括智能安防巡检机器人的硬件组成、软件架构以及无线网桥通信机制,并详细介绍了智能安防巡检机器人的结构以及运动控制原理,同时也对智能安防巡检机器人同步定位与地图构建算法以及路径规划原理做了详细介绍。最后论文基于实验室真实场景进行了智能安防巡检机器人自主巡逻实验,实验结果表明,智能安防巡检机器人在真实场景下能较好地完成巡检任务,及时检测到经过的人员并对检测目标进行身份准确识别。