随着当前互联网和智能手机的迅速发展,网络视频的数量呈几何级增长。出于网络视频审核,网络视频人脸检索、视频智能分类与推荐等方面的需要,产生了对网络视频场景下的的人脸识别方法的需求。目前的人脸识别系统虽然在相对受限的情况下性能优异,但是在现实的网络视频场景中,往往受到丰富的姿态变化、严重的图像模糊以及网民二次创作等影响。本文针对这些问题和难点,基于深度学习方法对人脸识别算法进行了改进。具体内容及贡献如下:(1)针对网络视频中人脸图像存在的多角度,多姿态,光影,模糊等难点,基于深度学习算法提出了一个综合模型框架IVFRNet(Internet Video Face Recognition Net)。从深度学习算法的训练数据,网络结构,损失函数三个角度,对目前主流的人脸识别算法进行了改进。首先改进了训练数据,考虑到目前缺乏大规模的网络视频人脸数据集,本文提出了多种利用静态人脸图像来人工模拟网络视频人脸图像的方法,并同时使用静态数据和模拟数据进行训练,增强模型对各类低质量图像的适应性和泛化性。其次,本文改进了Inception-Res Net的网络结构,加入一个新的Inception模块,并对模型参数进行了微调,提高了网络的学习性能。最后,本文改进了损失函数,在传统的Softmax损失函数基础上引入了中心损失函数(Center loss),来增强模型学习到的特征的表征能力。本文在现实网络视频人脸测试集上对模型进行了测试,原始模型的识别率为87.5%,改进后的模型则达到了93.6%。实验结果显示,本文提出的改进可以提高人脸识别算法在网络视频场景下的识别性能。且本文算法性能优于当前主流算法。(2)针对网络视频中人脸图像连续多帧出现且质量不一的特点,基于深度学习算法提出了一种人脸图像质量评估方法Face Qnet(Face Quality Assessment Net)。在进行人脸识别之前,先进行人脸图像质量筛选,并将高质量图片的识别结果作为连续帧整体的识别结果,以提高整体识别率。具体工作分为三部分:首先,使用深度学习算法来评估人脸图像质量。利用深度学习算法强大的学习能力和特征表示能力,输出一个包含了多种因素的整体质量分数。并通过给网络添加分支的方式使网络能够学习到更加丰富和全面的特征,增强其评估性能。其次,是对训练样本的标注。本文提出了一种基于人脸识别算法的自动化标注方法。该方法使用人脸识别算法计算待标注图像和基准图像的余弦相似度。并将余弦相似度的值作为质量分数。最后,本文在人脸识别算法中加入质量评估网络,并在多帧网络视频人脸图像测试集上进行实验,相比添加质量评估网络之前,识别准确率由75.1%提升到了90.4%。结果证明本文提出的图像质量评估方法能够有效提高网络视频场景下人脸识别方法的准确率。同时,本文还设计实验对比了本文方法和当前主流方法,结果显示本文方法无论识别率,还是计算速度,均优于当前主流方法。(3)基于本文提出的人脸识别方法和质量评估方法,构建了一个网络视频人脸检索系统。实现对输入视频进行目标人脸检索的功能。并在现实网络视频测试集上进行了测试,验证了本文设计系统的有效性。