随着社会经济的发展,人们对身份验证安全性与便利性的要求日益增加,基于人脸的身份验证技术在近几十年有了长足的发展,其具有直接、友好、方便等优点,从而得到了广泛的关注与研究。人脸验证的目标为判断两张人脸图片中的人脸是否为同一个人,是一个二分类的模式识别问题。在深度学习提出之后,特别是卷积神经网络(convolutional neural networks,CNN)在图像识别领域取得巨大成功后,研究人员将CNN用于提取人脸特征,实验证明人脸验证的正确率有了明显提高。但在另一方面,人脸验证系统采用的CNN模型的层数不断加深,参数不断增多,用以提升模型的拟合能力。这些复杂的CNN模型导致的一个主要问题是计算负担很大,尽管使用GPU等高速计算设备,人脸验证系统的速度仍有待改进。因此,在基于CNN的人脸验证算法研究中,除了不断提升人脸验证的正确率外,提升人脸验证的计算速度也是非常必要的。针对上述问题,本文首先基于前人研究成果,选取开源的CNN模型用于提取人脸特征,用人工筛选后的数据集对CNN进行了微调,并比较研究了多种特征相似性度量算法,设计并实现了一套完整的人脸验证系统。本系统在LFW数据集测试正确率达到了98.35%。其次,针对目前人脸验证CNN模型运算速度慢的问题,本文提出使用卷积定理来加速CNN中卷积层的计算,从而提升人脸验证的计算速度。卷积层是整个CNN结构中最耗时的环节,所以加速CNN的核心工作就是加速卷积层的计算。尽管卷积定理在图像处理学科中众所周知,但在深度学习的背景下,分析CNN中哪些卷积层能用卷积定理来实现加速,如何在现有GPU平台上高效并行地实现卷积定理,以及实际的CNN加速效果到底有多大等。对这些问题的研究仍然具有一定理论意义和重要实用价值。本文分析了常规卷积计算方法和卷积定理方法的时间复杂度,给出了适用于卷积定理的加速条件,详细阐述了用卷积定理计算卷积层的算法流程,流程如下:首先,将输入图像和卷积核扩充至相同尺寸,并通过傅里叶变换转换至频域。其次,进行频域乘积求和运算,本文通过一些技巧将频域中的乘积求和计算转换为矩阵乘积,以便充分利用现有GPU运算库的并行优化。最后,将频域乘积求和的计算结果反傅里叶变换,裁剪扩充边界,最终得到卷积层的计算结果。除此之外,本文还介绍了基于GPU的实现细节和优化方案,并给出了详细的加速对比实验结果。实验结果表明,在满足加速条件的情况下,卷积定理加速方法能取得较高加速比,针对本文采用的人脸验证CNN模型,最高可加速2.2倍。