近年来,随着深度卷积神经网络算法的提出以及相关研究的不断深入,人脸认证算法的也得到了快速的发展。在一般的深度卷积神经网络结构中,由于输入图片尺寸和下采样操作次数的限制,导致网络深度不足和特征抽象程度低等问题。在本文中,提出了一种多级复合卷积神经网络 MS-CNN(Multi-Step ConvolutionalNeuralNetwork)结构,有效的解决了这一问题。进行一次下采样(pooling)操作之前,连续进行多次卷积操作。而且连续卷积次数随着网络深度的增加而增加,有效地减少了计算量。此外,给出了认证损失函数和识别损失函数的一种新的组合,使得MS-CNN网络可以提取出具有较强解释能力的特征向量。即,可以使样本的类间差异变大,类内差异变小,使分类器更容易将样本分类。最后,为了使联合贝叶斯(Joint Bayesian)分类器中的参数能够尽快收敛,所以将MS-CNN提取的特征向量进行归一化,即令特征向量的元素加和为1。随后训练联合贝叶斯(Joint Bayesian)分类器,对测试样本进行分类。由于联合贝叶斯(Joint Bayesian)分类器在大数据量训练下可以减少类内差异,加大类间差异,故本文采用相应的概率度量标准进行特征对比和认证。实验表明,这种方式比直接采用余弦距离进行特征对比有更好的结果。经过实验验证,本文中的方法在FERET人脸测试库中,在错误接受率0.001的前提下,在Fb,Fc,Dupl,Dup2的认证率分别为100%,100%,98.9%,99.7%。相对于其他参考算法的实验结果有所提高。