本文研究了在自然场景下,卷积神经网络模型在人脸确认方向的应用。传统的人脸确认方法需要人工地进行复杂且耗时的特征提取,而基于卷积神经网络的现代方法只需构建一个有效的神经网络模型,对大量样本进行训练,就可以得到较高的分类准确率。在这种方法中,网络模型结构起到了至关重要的作用。因此本文主要研究如何构建一个合理的网络模型结构,使得模型能够在训练集上快速稳定地收敛,最终在测试集上获得良好的分类准确率。本文的主要工作如下:(1)首先对传统神经网络中的梯度下降、反向传播算法等基础理论知识进行了阐述,然后对卷积神经网络中的卷积层、池化层,全连接层等进行了介绍,并对一些经典的卷积神经网络模型进行了介绍。(2)设计了一种新型的网络模型结构,使用端到端的训练模式,将人脸对齐、人脸特征提取等多个任务放入到同一个网络模型里进行训练。这样不仅能够利用多个相关任务的训练信号中的特定领域信息来提升泛化能力,而且大大节省了模型的训练时间。我们将模型用于自然环境中人脸确认任务的训练,并将训练好的模型在人脸识别领域最重要的人脸数据库之一Labeled Faces in the Wild(LFW)上进行了测试,识别准确率相比于DeepFace的工作有了明显的提升。(3)将这种新型的多任务网络模型结构分别针对Softmax Loss和Center Loss两种损失函数训练了两个模型,并比较了这两种模型的优劣。