基于人脸图像的亲属识别技术主要研究两个个体之间的亲属关系识别,即根据给定的人脸图像对,判断两者之间是否具有亲属关系。该技术具有重要的潜在应用价值,如构建家庭相册、寻找丢失儿童等,但是同时面临着许多挑战。其中,提取的亲属特征判别性不足、类内差异性与类间相似性过大、亲属数据集不够完善是该技术面临的三个主要问题,为了减小上述问题对算法识别效果的影响,本文提出基于深度学习的亲属识别算法,并且构建了一个比较完善的数据集,主要内容如下:首先提出了基于深度卷积神经网络特征的亲属识别算法。考虑到深度学习强大的数据学习与特征表示能力以及亲属数据数量过少问题,该算法利用迁移学习的思想将深度学习应用于亲属识别算法之中。具体地,该算法首先利用人脸识别数据集对深度神经网络进行多分类任务训练,然后将训练好的深度网络模型作为亲属识别中的特征提取器;最后将深度特征与度量学习进行结合,即将人脸深度特征进行进一步的度量学习,以减少类内差异以及类间相似过大的问题。其次提出了基于双胞胎卷积神经网络的亲属识别算法。考虑到亲属识别算法以图像对作为输入对象的特点,本文提出了基于三种改进孪生卷积神经网络结构的亲属识别算法。该算法充分利用孪生网络中两分支结构在处理人脸图像对方面的优势,直接从数据对本身学习网络参数,使整个亲属识别过程形成一个端对端系统;该网络中的对比损失函数在一定程度上减少了类内距离,增加了类间距离,使学习的网络模型更加具有判别性,从而提高了亲属识别的准确率。最后提出并构建了一个新的亲属识别数据集。该数据集主要克服了现有数据集的三个缺点,即数量少、收集方式局限以及收集环境单一,从而解决了研究者们提到的算法识别偏差问题,有助于亲属识别算法更好地从数据本身进行分类模型的构建学习。此外,本文将所提出的亲属识别算法分别在五个亲属数据集上进行实验,并与多个流行算法进行了对比分析,实验结果证明了本文算法的有效性。