近些年来，人脸识别取得巨大的进步，这得益于深度神经网络的飞速发展，尤其是卷积神经网络的发展。卷积神经网络在人脸识别领域具有很好的鲁棒性，适应多场景的识别，在一定程度上可以有效减少因为光线、角度等导致的识别率下降。卷积神经网络在人脸识别任务中发挥着重要的作用。本文以基于卷积神经网络的人脸识别算法为研究课题，重点研究了人脸识别中的深度网络、损失函数等问题。
　　一个高效的特征提取网络对于人脸识别任务具有重要的意义，本文研究分析经典卷积神经网络，在经典残差神经网络的基础上，将压缩激励模块与残差网络融合，改进了残差网络并应用到人脸识别任务上，相较于其它卷积神经网络，提高了人脸识别的准确率。通过实验对比不同的特征提取层设置对准确率的影响，选择了一种合理特征提取层，用于人脸识别网络。
　　本文介绍用于人脸识别的各种经典损失函数，研究分析各种损失函数的优缺点。当训练数据不是均匀分布时，现有的损失函数学习到的特征向量之间的接近度并不能正确地表示它们的底层人脸之间的接近度，针对这个问题，在原本的角度距离损失函数上做出改进，使用其他属性来规范所学习的特征映射。改进后的损失函数可以学习到更有区分性的人脸特征，提高了人脸识别的准确率。实验结果表明，使用CASIAWebface数据集训练，用改进残差网络进行人脸特征提取，使用基于属性驱动损失函数指导网络训练，经过大量分析与实验，本文算法在LFW数据集上的人脸识别准确率达到了99.67%，在MegaFace的人脸确认任务和人脸验证任务中分别获得74.531%和87.134%的人脸识别准确率，表明本文算法具有良好的效果。
　　为了验证算法的有效性，最后基于本文的人脸识别算法基础上实现一个人脸识别系统，整合了人脸识别任务中的人脸检测、特征点检测和人脸特征比对等其他关键模块。在实际环境中测试，具有对姿态、光照良好的鲁棒性，并且具有良好的识别准确率，不仅在理论上证明本文算法的可行性，而且验证了本文算法在日常应用场景下表现也十分良好。