随着科学技术以及人工智能的不断发展,生物特征识别技术尤其是人脸识别技术在模式识别领域的应用越来越广泛。人脸识别技术和其他生物识别技术相比有着很多方面的优势,简单、直观、便捷,易于被接受,所以广泛应用于商业、安防、航空等各个领域,人脸识别也逐渐成为了模式识别领域里最热门的研究课题。但是现阶段的人脸识别技术很多都是基于浅层的机器学习网络结构,这种浅层结构对于提取人脸的高层次特征能力有限,难以对人脸实现深层次特征表达;而且在实际自然环境应用中,对人脸光照、姿态、表情等干扰因素的抗干扰性较差。因此对人脸识别进行算法研究具有很大的现实意义和学术意义。本文将深度学习运用到人脸识别问题中,基于深度学习对人脸识别进行算法研究。考虑到传统方法在人脸识别中存在的一些局限性,设计一种基于深度卷积神经网络的人脸识别网络模型。本文直接将人脸图像作为输入,运用深度卷积神经网络实现对人脸深层特征的获取;然后对提取的特征向量运用PCA降维处理;最后采用联合贝叶斯的方法对其进行人脸相似度的验证,从而实现人脸的识别分类。本文基于Caffe框架实现卷积神经网络模型,包括卷积层、池化层、全连接层等,并利用LFW人脸数据集对设计的卷积网络进行训练、测试、验证,并对实验结果进行分析研究,实验表明本文设计的卷积网络模型比传统的人脸识别方法性能提高很多,最终识别准确率达到了97.54%。为了提高性能,本文对设计的模型进行了分析研究并提出一些改进措施,首先训练过程中引入一个验证信号,利用识别、验证这两种信号对DCNN网络进行监督训练;另外本文对池化层进行改进,因为池化操作降维过程中会导致信息损失,所以用卷积操作代替池化操作,并将pool5池化层用全连接层代替。这些改进有利于充分提取人脸特征,实现对模型进一步的优化改进,通过实验对比,改进后的模型人脸识别性能大大提高,在LFW数据集上进行验证实验,识别准确率达到了97.75%。