随着计算机视觉的发展和人脸识别的广泛应用,人脸检测与识别成为了具有重大研究意义的课题。人脸技术分为人脸检测,人脸对齐与人脸识别3部分。本文主要针对非受控环境中的人脸检测与识别问题进行了研究。具体的研究工作如下:针对人脸检测,(1)设计了一种基于区域推荐网络(Region ProposalNetwork,RPN)的一阶段人脸检测器。使得在保持检测性能基本不变的情况下,速度得到提升且模型尺寸小;(2)提出了一种新型精准检测框分数训练方法PreciseBoxScore(PBS)来对网络性能进行提升,可以从训练集中提取到更多且更准确的信息,从而使得在保持训练集和网络结构不变的情况下,明显提升了网络的精确度;(3)提出了一种简单但有效的模型压缩方法SEMCM,即,用精度较高的大模型去训练精度较低的小模型,也就是将大模型的信息传递到小模型中,从而使得小模型的性能在原有的基础上,得到进一步的提升。针对人脸识别,提出了一种基于度量学习的辅助损失函数,contrastive-center loss。新的监督信号可以有效的提升人脸识别模型的精度,并且不会增加模型的运行时间。并且,本文针对相似度搜索对于人脸识别的影响进行了研究,相关研究成果应用在了 MS-Celeb-1M的challenge 2的竞赛中。针对人脸技术的应用问题,分别设计并实现了人脸图像搜索系统和人脸监控系统。