近年来,随着深度学习的迅猛发展,计算机视觉领域日趋成熟,其中的热门研究方向人脸识别取得了飞跃式的提升。在测试集上已经达到甚至超过人眼识别水平,诸多的应用产品纷纷落地,如人脸识别闸机、手机人脸解锁、小区刷脸门禁等,并且应用于安全性要求较高的支付场景。虽然在一些测试集上人脸识别算法的识别率很高,但是,面向监控视频、复杂场景的人脸识别技术依然有较大的提升空间。在自由场景下,人脸识别技术面临着光照、姿态变化、分辨率低以及遮挡等问题。丰富训练数据集样本的多样性是提高人脸识别模型鲁棒性的一个解决方案。本文采用ResNet框架,使用清理和融合后的大规模数据集进行模型训练,在通用测试集BLUFR、YTF、LFW等进行测试。主要做出了以下工作:首先,针对人脸数据集含有噪声以及样本不够丰富的问题,本文提出了基于最大生成树的人脸数据库清理和融合方法,在同一个类别中两两计算相似度,剔除平均相似度小于阈值的噪音图片。计算人脸的偏转角度,基于平均相似度和偏转角度选定每个类别的基准人脸图片来解决人脸框选择决策造成的数据库的噪声问题。为了保证训练集中样本的权重相同,剔除相同的人脸图片,仅保留其中的一张。最后将去重和去噪后的数据集融合成一个大规模的人脸数据集,并通过实验证明数据集清理和融合的有效性。为了提高人脸识别对于姿态、年龄、遮挡的鲁棒性,本文提出了分支神经网络结构,通过主干网络提取人脸的全局特征,通过分支网络提取人脸的局部特征,将人脸的全局特征和局部特征融合来表征人脸。使得网络在关注全局特征的同时兼顾人脸的局部细节特征。对于Angular Softmax Loss训练不易收敛的问题,提出使用Center Loss的优化方式来加速网络的训练过程。并通过实验验证该方法的有效性。本文将BLUFR的识别性能指标DIR@FAR=1%的准确率从93.93%提升到了95.41%。在LFW、YTF、CFP-FP、AgeDB-30的准确率分别提升到了99.60%、95.10%、94.96%、96.02%。并设计实现了面向监控视频的人脸识别系统,在实际监控场景中测试人脸识别的准确性。