近年来,随着人工智能和深度神经网络的快速发展,身份识别的技术正火热地发展起来。身份识别主要的方式是借助摄像头、传感器等设备,获得被识别者的多媒体信息,通过对多媒体信息的分析比对,得到被识别者的真实身份信息。常见的身份识别方式包括:人脸识别、指纹识别、声音识别、虹膜识别、手写体识别等等。其中,关于人脸的图像识别和处理己经越来越得到广大科研人员的重视,人脸的检测、人脸的表情识别、人脸的身份识别、人脸的关键点定位等等促使人脸识别在近几年有了快速的进步。在人脸检测中,主要的一些方法包括基于特征的人脸检测、基于模板匹配的人脸检测、基于统计的人脸检测、基于概率模型的统计法、基于支持向量机的统计法等等。在人脸识别中,主要的方法包括基于几何结构的方法、基于子空间的方法、基于局部特征的方法以及基于深度学习的方法。本文工作采用了基于深度学习的方法来实现和完成人脸的检测和识别。在人脸检测的实现上,本文采用了一个级联的检测网络,总共分为三个阶段,每一个阶段的网络都是上一个阶段网络结果的优化。其人脸检测的结果在FDDB数据集上获得了超过95%的准确率。在人脸识别的实现上,本文在训练的过程中加入了一个新的角度Softmax损失函数,该损失函数不同于普通的Softmax损失函数,能够使不同的人脸特征在特征空间中的角度差异更加明显,从而可以更好的通过余弦距离来区别不同的人脸身份。使用这种方法训练的人脸识别网络在LFW数据集上获得了 99.42%的准确率。最后,本文将人脸检测和人脸识别的网络完整应用在人脸门禁系统之上,对摄像头拍摄的人脸图片进行人脸检测、人脸矫正和人脸识别,并通过网络控制单片机和继电器实现移动门的门禁开关操作。为更好地完成实验和提高用户体验,实验系统同时还配置了基于ipad硬件的身份展示和语音播报图形用户界面。本文工作所最终开发完成的人脸检测与识别技术、以及整个人脸门禁系统工作实时、稳定,识别准确度高,具有高度的实用性。