随着信息时代不断发展,机器学习得到了广泛应用,而深度学习作为其中一个重要的研究方向,在人脸检测和人脸识别领域得到了快速发展。传统的人脸检测和人脸识别算法容易受外界环境因素的影响,从而不能较好的采集人脸图像,完成人脸识别。针对人脸检测的光照强度、部分遮挡以及人脸姿态旋转的研究在现有算法中相对较少,同时导致实时人脸检测和识别的准确率降低。所以,在考虑外界因素变换的前提下,快速并准确地识别人脸是本文所要研究的方向。本文基于卷积神经网络模型,针对于人脸姿态旋转、部分遮挡以及光照强度,提出了MTCNN模型用于人脸检测,FaceNet人脸模型用于人脸识别;最后,在现有算法的基础上,完成了人脸识别签到系统的设计与实现。本文主要工作如下:(1)根据检测过程中存在的一系列变化因素,提出了一种多级联CNN模型。针对摄像头中的人脸进行实时检测,多层卷积神经网络逐层对人脸进行预测。通过对MTCNN人脸检测方法获取人脸图像位置以及人脸关键点的位置,对获取的人脸图像进行裁剪和归一化操作,减少光照等环境因素对人脸识别准确率的影响。(2)利用FaceNet人脸识别模型对人脸图像进行特征提取,并且通过SVM获得单次识别结果。在FaceNet深度模型的基础上,采用Inception-resnet-V1网络结构,选择Triplet Loss三元损失函数,使用LFW人脸数据集,进行FaceNet深度CNN模型测试。(3)在已有算法基础上,结合摄像头以及Sqlite数据库,采用B/S架构,设计并实现了人脸识别课堂签到系统。数据库保存人脸信息,包括学号、姓名、性别、专业以及人脸特征等。