作为计算机视觉领域的研究热点,人脸识别技术随着人工智能的发展也迎来了技术的革新。由于深度学习在图像处理上的出色表现,人脸识别技术不断取得突破,特别是基于深度卷积神经网络的人脸识别技术取得了令人瞩目的成就。传统的人脸识别方法需要人为的设定表达特征并进行复杂耗时的特征提取,而基于深度卷积神经网络的方法只需要设计一个高效的网络模型,并在大量的数据集上进行训练,自动学习提取高维度的隐形特征,便可以获得优秀的分类准确率。该方法的性能和效果主要取决于网络结构的设计,因此本文的研究重点在于针对深度卷积神经网络人脸识别算法网络结构复杂,参数量巨大,训练困难的问题,构建一个合理高效的轻量化网络结构,同时提供有效的训练方法,使其快速收敛稳定,并提高识别准确率。主要工作和创新点如下:（1）针对VGG-16深度卷积神经网络模型参数量大的问题,为轻量化模型参数,本文设计并实现了一种优化全连接层的VGG-16网络结构,删减了占其全部参数量86%的前两个全连接层,并增加了 Group5中卷积核的数量,调整了网络底层结构。改进后的VGG-16网络层数减少且能有效提取更多维度的深层隐形特征,在保证人脸识别率的前提下,合理减少了网络整体参数。（2）针对改进后的VGG-16网络与原有训练方法不匹配的问题,为保证其性能效果达到最佳,本文给出了一种重新训练的方法。该方法分别从数据增强、图像预处理和超参数选优三方面进行了适应性调整,加强了图像的信息表征能力。相比于原训练方法,提高了学习效率,加快了网络收敛速度,并强化了模型的泛化能力,最终在LFW公开人脸测试集上的识别准确率达到96.48%。（3）利用改进的VGG-16网络算法模型,设计并实现了一个实时人脸识别系统,并通过自建人脸数据库对该系统在真实场景中的性能进行了测试和分析,实验结果表明,该系统在表情、姿态、光照等变化干扰的情况下均有更好的识别效果,进一步验证了改进算法的实用性和有效性。