人脸识别是实现人机交互的基本技术之一,许多研究项目和商业产品已经将人脸识别投入使用。深度学习作为机器学习的一个新兴领域备受研究人员关注,由于深度学习具有更好的表达能力和泛化性能,越来越多的科研人员把深度学习应用到人脸识别领域。当前主流的深度学习人脸识别算法在标准数据集已经取得很高的识别率,但模型训练通常需要大规模样本集,而且在人脸检测阶段一般采用传统算法,检测偏转角度较大的人脸准确率低。本文采用基于深度学习的方法进行人脸检测,提高倾斜角度较大人脸图像的检测成功率,同时改进现有主流深度人脸识别网络框架,可以在小规模样本集上实现有效的模型训练。本文主要做了以下工作:(1)针对现有的较为常用的人脸检测算法识别准确率较低的情况,本文采用卷积神经网络进行人脸检测,能够更好的检测偏转角度较大的人脸图像和多张人脸图像;接下来对三种常用特征点对齐模型进行简要描述,通过对比采用CLM方法进行特征点检测。本文采用Supervised Descent Method(SDM)算法解决特征点检测过程中的梯度下降最优收敛问题,实现特征点的快速准确检测。(2)对当前主流的基于深度学习的人脸识别方法进行分析,提出一个改进的卷积神经网络在本文构建的较小规模数据集上进行训练,用于校正后人脸的特征提取。利用不同距离度量准则在LFW基准数据集和自建数据集上进行了人脸校验和人脸识别测试,从而确定最佳的网络模型、距离度量和匹配准则。本算法经过仿真实验实现了以下功能:调用摄像头实时检测人脸,特征点检测后对人脸进行对齐,并用训练好的模型进行特征提取和人脸识别,如果是陌生人,可以将其身份注册到数据库中。实验表明,本文在小样本集上采用基于深度学习的人脸识别方法提高了识别的稳定性和实时性,同时具有较高的准确率。