人脸识别是图像处理和计算机视觉领域的经典任务之一,其目的是使计算机能够通过特定的算法和程序提取人脸特征,进而识别目标人脸的身份。现有的人脸识别算法大都以降低误识别率作为目标,未将类间误分类代价纳入考虑。然而在实际应用中,不同种类的误分类情况往往是不等价的。因此,将代价敏感引入人脸识别显得十分必要。本研究基于现有的残差神经网络,提出了一种改进的残差神经网络结构,增强了模型的特征分辨能力,并在交叉熵损失函数中引入了代价敏感的机制,使其能够兼顾精度与代价,可以较好地解决多类代价敏感问题。首先对人脸特征提取网络加以研究,通过比较精度、显存和速度验证了残差神经网络是较优的人脸特征提取网络;其次,在残差神经网络的基础上增加了多尺度特征融合与通道注意力机制,进一步提升了网络模型的特征表达能力,并通过实验加以验证。最后,提出了代价敏感的交叉熵损失函数,在几乎不损失精度的前提下显著降低了误分类代价,并设计实验验证了改进算法的有效性。通过将多尺度特征融合与通道注意力机制引入残差神经网络,增强了网络模型的特征表达能力;通过把代价敏感机制引入交叉熵损失函数,使其在保持精度的前提下降低误分类价,能够解决多类代价敏感问题,在代价敏感人脸识别领域具有广泛的应用前景。