人脸识别作为目前最热门的生物识别技术之一。它已被广泛运用到安保、通行、司法等领域。但是在实际环境下人脸识别的准确率易受光照强度、姿态、遮挡等诸多因素的影响,因此人脸识别还有许多待解决的问题。针对现有的人脸识别算法的不足,本文的具体研究工作有以下几个方面:(1)针对深度置信网络在直接进行人脸特征提取时忽略局部特征的问题,同时考虑到传统的局部三值模式对纹理的特征描述不足,导致最终提取的局部信息不够详细,因此本文提出了一种基于改进的局部三值模式和深度置信网络相结合的人脸识别算法,将传统的局部三值模式中周围像素点与中间像素点的差值与某一固定阈值进行比较改为了相邻像素点进行两两比较,然后将它们的差值与计算出的动态阈值进行比较,同时为了防止图像因为旋转问题而降低识别率,将局部二值模式的旋转不变性引入到了改进的局部三值模式中。下一步将改进的局部三值模式提取的特征作为深度置信网络的输入,然后对深度置信网络进行参数调优,最终完成识别任务。在公开人脸数据库中,经过实验验证了该算法的有效性。(2)DenseNet网络虽然采用密集连接的方式加强了特征的传递,但是随着特征图的增多,产生的冗余信息也不断增多。在这种情况下DenseNet网络不能区分这些特征在传递过程中对分类的重要程度,如果所有特征都无差别地进行传递,就会导致出现训练误差,影响最终的分类效果。针对这一问题,将残差注意力机制引入到了DenseNet网络中,提出了一种基于残差注意的密集连接卷积神经网络模型。该网络能够更加关注对分类有用的特征,忽略对分类作用不大的特征,有效的减少了信息的冗余。将改进的网络作为FaceNet网络的主干提取网络。随后针对FaceNet网络中的Triplet Loss损失函数在训练时对样本集要求数量大、训练难度大等问题,提出了一种Center Loss和Softmax Loss相结合的损失函数,将它替代Triplet Loss作为最终的损失函数,这样利用较少的样本集就能取得很好的训练效果。最终将改进的FaceNet网络与其它优秀的网络进行比较,在公开数据集上都获得了更优的识别准确率。(3)最后将改进的FaceNet模型算法应用到实际场景,设计了一个在线实时人脸识别系统,并从姿态、光照、遮挡等方面对系统进行测试,验证了该系统的性能。