人脸识别是模式识别与计算机视觉研究的热门课题之一,广泛应用于安防、交通、金融等领域。深度学习和大数据技术的发展,促进了人脸识别性能的提升,在一定程度上超越了人类水平。然而,在监控场景中,由于光线、遮挡、姿态、年龄等原因,导致人脸识别性能不高。因此,本论文主要针对监控场景中脸识别算法进行深入研究,提出基于深度学习的监控场景中人脸识别算法,主要工作如下:（1）针对监控场景中由于年龄导致的类内差异问题和跨年龄人脸数据难以收集问题,提出基于生成对抗网络的人脸识别训练样本增强,利用生成对抗网络生成与CASIA-WebFace数据集中的中年人脸数据相应的青年和老年数据,从而实现样本增强。并且,在训练过程中,对生成的数据与真实的CASIA-WebFace中年人脸数据进行人脸分类,确保生成的人脸跟该人较相像。该算法有效解决了跨年龄人脸数据难以收集问题且对有限的训练样本进行了扩充。（2）监控场景中的人脸识别的训练样本与测试样本无交集,属于开集人脸识别,需要进行人脸比对,从度量学习角度出发,提出一种改进型加性余弦间隔损失函数,对加性余弦间隔损失函数进行改进,通过在特征与目标权重夹角的余弦值减去一个值,在特征与非目标权重夹角的余弦值加一个值,该值为0到1之间的数,通过实验选取最佳值,达到减小类内距离,拉大类间距离的目的,使得训练的模型能够提取更具辨别性的特征。（3）为同时解决监控场景中的人脸姿态及年龄对人脸识别性能的影响,提出基于多任务卷积神经网络的多姿态及跨年龄的人脸识别,将生成的数据及CASIA-WebFace数据输入到改进的Resnet-20网络中进行人脸身份分类任务、人脸姿态分类任务、人脸年龄段分类任务,其中,人脸身份分类任务为主要任务、人脸姿态分类任务及人脸年龄段分类任务为次要任务。提高多姿态跨年龄人脸识别准确率。在人脸验证、多姿态、跨年龄等人脸测试集以及自行采集的监控场景测试集上进行测试,实验结果表明,本文提出的算法在一定程度上提高了监控场景下的多姿态及跨年龄的人脸识别准确率,提升了监控场景中的人脸识别性能。