近年来,人脸识别技术不断发展,也成为购物、旅行、交通、军事、安防等各个领域的主流身份认证方式。人脸识别技术之所以能够取得突飞猛进的发展,主要得益于对深度学习的大力研究。其中卷积神经网络在深度学习的人脸识别领域应用最为广泛。尽管卷积神经网络性能很好,但随着对准确率的不断追求,卷积神经网络的网络层数也在不断地上升,这就使得基于深度学习的人脸识别算法对于硬件设备的要求更高,训练的时间也随着网络层数的增加而增加。因此,训练出一个准确率较高的卷积神经网络人脸识别算法往往需要花费大量的经济成本和时间成本。尽管时间和经济成本增加带来的是近乎百分之百的人脸识别准确率,但是这显然不是综合性能最优的一种方式。在此情况下,基于卷积神经网络研发轻量、高效的人脸识别算法便应运而生。该研发方向无论在设备成本、功耗还有时间成本上都具有很可观的前景。本文针对传统卷积神经网络算法的网络层数过深,计算量过大,参数量过大的问题,设计出一种轻量级人脸检测和人脸识别算法,再以Jetson Nano嵌入式开发板作为平台对本文的算法进行实际场景的实验测试,最终针对不同的算法进行实验结果对比分析。本文研究设计的人脸检测算法主要由三个组成部分,由卷积神经网络所设计的特征提取层、改进的RPN网络和人脸检测网络。通过不断地实验研究,最终的结果表明,采用本文的轻量级人脸检测算法不仅可以减少网络的参数和计算量,还可以增强网络的鲁棒性。对于本文的人脸识别算法的研究,首先选用Mobile Net网络作为基础的人脸识别网络,再将Mobile Net算法的监督信号Softmax改进为A-Softmax。A-Softmax相比于Softmax能够将权重归一化,将Mobile Net算法在精度上做了近一步的提升。本文主要通过实验对比几种经典的人脸识别算法得出本文设计的网络在人脸识别速度、模型大小等各个方面都具有很大的优势。在本文的最后章节中,将设计的轻量级人脸检测和人脸识别算法应用到Jetson Nano开发板上进行测试,通过嵌入式实验平台对本文设计算法的轻量性和高效性进行验证,实验结果也表明本文算法对于设备成本和时间成本有了很大的节省,因此也具有很好的应用前景。