作为生物特征识别和计算机视觉等领域研究的热点之一,理想环境下的人脸识别己经取得了不错的研究成果,但如何在光照、姿态变化等非受控环境下进行快速准确的人脸识别仍是一个难题。对近年来在人脸识别上取得突破进展的深度学习进行了研究,针对当前许多方法在非受控条件下存在特征判别能力不强、人脸识别性能不佳等问题,提出了一种基于深度学习的改进人脸识别算法,设计实现了一种针对光照、姿态变化等非受控环境的人脸识别系统。本文的研究工作主要包括:(1)首先详细研究了深度学习和神经网络的基本原理,对基于深度学习的主流人脸识别方法进行了分析研究,为后续工作奠定理论基础;(2)针对非约束人脸图像,通过训练多目标级联神经网络实现人脸检测和特征点定位,再经过仿射变换进行人脸对齐,最终完成人脸图像预处理。经过FDDB,Wider Face和AFLW数据集测试显示,人脸预处理算法取得了较好的效果;(3)对经过预处理的人脸数据使用Softmax损失与中心损失在深度神经网络上联合监督训练人脸识别模型,优化类内聚合、类间分散。测试表明联合监督算法在LFW和YTF人脸权威数据集上都达到了较高的识别率,相比基础算法准确率均得到了提高;(4)结合人脸检测和人脸识别模型,设计实现了一种带有人脸跟踪和环境光照补偿的人脸识别系统,并在自建小型数据集上测试验证了系统的功能。实验显示系统可以对现场非受控环境进行一定的补偿控制,具有较好的人脸判别能力和较高的准确率。