人脸识别是计算机视觉领域的一个重要研究课题,在现实生活中具有广泛的应用。比如手机中利用人脸比对进行屏幕解锁,智能安防中的人脸识别等。近年来,由于深度学习的快速发展,人脸识别方法的准确性得到了极大的提高,在某些特定场景下已经超越人眼的识别极限。但是由于噪声、遮挡、光照等外在干扰因素的影响,现实环境中人脸识别的准确率仍然比较低。噪声是人脸图像最常见的干扰之一,严重影响图像的质量。因此研究噪声鲁棒人脸识别方法是一项非常具有价值的工作。本文的主要工作如下:首先,本文提出了一种基于级联深度卷积神经网络的噪声鲁棒人脸识别方法。通常,噪声人脸识别方法分为两类。一类方法是首先利用图像去噪技术进行预处理,然后输入到人脸识别网络中进行识别。但是,这类方法忽略了两个任务之间的联系,并且操作繁琐。另一类方法是直接生成噪声鲁棒的人脸表征,但由于该类方法简单的网络架构,部分人脸细节会丢失。因此,本文提出了一种有效的噪声鲁棒人脸识别方法。本方法的网络结构包括去噪子网络和人脸识别子网络,采用级联训练的方式对两个子网络进行端到端的联合训练,并利用密集连接的思想对去噪了网络进行改进,以便于更好地利用浅层和深层网络特征。我们在多个公开的噪声人脸数据集上进行了验证。结果证明本方法具有良好的噪声鲁棒性,明显优于其它对照方法。其次,本文提出了一个基于注意力机制的轻量级噪声鲁棒人脸识别方法,用于解决传统方法存在的网络模型参数量过大的问题。本网络包含去噪子网络和人脸识别子网络。我们采用了通道注意力模块来显著增强去噪子网络中有效特征图的利用率,并强化去噪效果。此外,为了有效减小网络模型的参数量,我们基于深度可分离卷积设计了一个轻量级的人脸识别子网络。本文提出的方法在多个公开的人脸数据集上进行了验证。实验结果表明,我们的方法既拥有优秀的噪声鲁棒性,又具有较小的模型参数量。我们的方法在识别准确率等方面取得了良好的性能。