人脸识别技术不仅离我们日常生活越来越近,应用领域也在不断的扩张,不论是物联网、互联网安全、消费电子、汽车电子等领域都有巨大的发展潜力。但是传统的人脸识别技术在光照强度变强或变弱时,人脸识别系统的识别精度会变得很差,无法达到预期的效果。随着人工智能和机器学习的快速发展,基于深度学习的人脸识别技术成为当今研究和应用开发的热点。其中卷积神经网络避免了手工提取特征或者人工规则,而是从原始数据中自动化地提取特征。相较于传统的方法,卷积神经网络能够学习到更高效的特征与模式。本文在阅读和研究了大量的深度学习和人脸识别方面相关的文献和资料的基础之上,主要进行的工作如下:(1)首先详细介绍了深度学习的起源和发展,分析了深度学习的原理,讨论了受限玻尔兹曼机和自编码器两种深度学习常用模型。紧接着对卷积神经网络结构组成进行剖析,总结卷积神经网络中的卷积层、池化层、全连接层的运算过程和功能,以及局部连接和权值共享两大网络特性,最后举例说明几种常用的卷积神经网络模型。(2)针对小样本的图像分类问题,本章提出了一个将ImageNet上训练好的Inception-v3模型迁移到自己的图像分类数据集上的方法。该方法可直接利用这个训练好的神经网络对图像进行特征提取,然后再将提取到的特征向量作为输入来训练一个新的单层全连接神经网络处理新的分类问题。最终在自建样本数据集上取得了94.5%的识别率。(3)通过对LeNet和ZFNet模型的研究和学习,本文设计了一个9层卷积神经网络模型,通过数据集增强、损失函数的改进、Dropout技术以及优化器对网络进行不断的优化和调整,最后将本文的卷积神级网络算法与传统的经典算法主成分分析算法PCA、核主成分分析KPAC、二维线性判别分析2DLDA、核直接判别分析KDDA在ORL数据库进行对比,实验结果表明本文算法在ORL人脸库的识别率优于传统的人脸识别算法。(4)对深度学习中的缺陷进行了深入的探讨,并对深度学习和人工智能的未来进行了展望。