近年来,数据量的快速增长以及计算机软硬件的高速发展,为深度学习提供了重要的基础条件。因为深度学习需要大量的数据进行训练,在一些特定的人脸识别任务中,往往只有有限的人脸数据,无法训练一个有效的深度人脸模型。而迁移学习是利用数据以及模型之间的相似性,将在源领域学习过或训练好的模型,应用于目标领域的一个过程,利用大样本来解决小样本的问题。因此,通过迁移一个预训练的深度人脸模型到特定的人脸识别任务中,使用有限的人脸数据就可以训练出一个有效的深度人脸模型。基于迁移学习的人脸识别在正面无偏移条件下的人脸数据集上表现已经十分优异。但由于一些特定场景的人脸图像受头部态、角度、表情以及光线照明等方面的变化影响,导致对这些人脸图像的识别准确率依然有待提高。首先,针对最大池化层和平均池化层不能均衡提取人脸特征每个元素的贡献权重,在迁移学习的基础上,论文使用加权平池化层替换网络模型最后的平均池化层。通过给池化层上一层的输出结合一个可学习的权重矩阵,来使池化之后每个元素都可以传递自己的信息,保证贡献程度大小不同的参数有不同的权重系数,提高复杂人脸图像的人脸识别的效果。其次,关于人脸识别损失函数的研究,在人脸识别任务中,同一个人的不同面部图像在表示空间中预计更接近,而不同人的图像特征则相距很远。针对不同身份的面部图像在表示空间中距离较近的问题,论文提出的中心损失加约束项,鼓励不同身份的面部图像在表示空间上距离更远。通过实验结果以及可视化结果表明,设计的新的损失函数相比使用基础的分类损失函数训练的深度人脸模型对人脸识别的准确率有确定性的提高。最后,分别进行两组实验。第一组实验用来验证通过加权平均池化方法提高网络模型对人脸特征提取的有效性。第二组实验用来验证加权平均池化方法结合中心损失函数加约束项后对人脸识别准确率提升的有效性。