现在,深度学习方法在LFW数据库上获得了接近人类的识别率,然而我们认为这是因为LFW里有限的测试对并不能真正反映大规模、不受控条件下人脸认证的难度。除了姿态、遮挡、表情等类内变化的干扰,长相高度相似但不属于同一个人的人脸是另外一项潜在的挑战,这在大规模数据集上是不可避免的,但是很多研究者却忽略了这一点。因此,在本文里,我们首先结合深度学习方法和人类标注的结果挑选出了一些长相相似的人脸对,然后把LFW里不匹配的人脸对替换成长相相似的人脸对,并保留原来匹配的人脸对。通过这种方式,我们构建了一个更能反映真实人脸认证难度的细粒度数据库(FGLFW)。实验表明,原来在LFW上获得了不错效果的方法在FGLFW上测试时,其认证率下降了 11%甚至最高下降了 25%。同时人类在FGLFW上也仅获得了 92.03%。这说明了两点,一是现有的人脸识别方法不能很好地处理这些长相相似的人脸对,二是FGLFW数据集是一个极具挑战性的数据集。为了解决细粒度人脸认证问题,本文从两方面提出了改进方案。一是从度量学习的角度考虑,我们提出了基于几何保持的度量学习方法(GAML),这个方法能够保留深度特征的鲁棒性,提高特征的判别性。另外一个是从改进深度卷积神经网络的结构考虑,我们提出了基于细节补充的深度卷积神经网络和基于判别性区域学习的深度卷积神经网络,这两个网络都能充分利用具有鉴别性的细节信息。实验结果也表明相比于基础模型我们提出的改进方案在FGLFW上获得了明显的提高。