对于图像识别任务来说,通用结构是卷积神经网络与Softmax交叉熵损失组合。但是,Softmax函数的“过于自信”的特性会导致模型出现过拟合甚至是错误分类问题的发生,同时由于人脸识别任务与图像分类任务不尽相同,通常采用欧氏距离或者是余弦距离公式来计算特征距离,判断相似度来进行人脸验证。基于此,本文对Softmax交叉熵损失进行了深入的分析与实验证明。首先采用了MNIST数据集,搭建了一个适合的卷积神经网络进行实验,得到了特征映射的二维图,通过对特征进行余弦性质与欧式性质的分析研究,说明了Softmax交叉熵损失并不适用于人脸识别的任务。然后,为了探究增大类间距离对人脸识别任务的影响,本文研究了AMSoftmax交叉熵损失函数,并对其做相同的实验,结果显示仅仅使得类间分离性增强并不能更好的提高人脸识别率。最后,本文提出了兼顾类间分离与类内紧凑的损失函数,AMSoftmax与CenterLoss(AMS-CL)联合交叉熵损失函数,通过MNIST特征图分析证明了其有效性。本文对ResNet50网络进行改进同时联合所提出的AMS-CL交叉熵损失函数,构建了基于AMS-CL的人脸识别模型,采用了FaceScrub作为训练集,在去重后的LFW数据集上进行测试,与Softmax、CenterLoss、AMSoftmax模型进行对比实验,结果表明本文所提出的AMS-CL模型人脸识别的准确率最高,增大类间距离且缩小类内距离可以有效的提高人脸识别的准确率。同时,为了探究中心损失的约束对整体模型的影响程度,本文设定了不同的中心损失系数来进行实验,结果表明当系数设定为0.01的时候模型效果最好。最后设计并实现人脸识别系统,基于AMS-CL模型,采用Python与QT开发,本系统可以对实时视频流进行检测与识别,支持对新的人脸属性信息录入与识别,同时,系统可以在无GPU的环境下流畅的运行,实际使用上也有比较好的表现。