近年来,随着信息技术的飞速发展,人脸识别作为一种方便、安全的生物特征识别技术在门禁系统中得到了越来越多的应用。但目前基于人脸识别的门禁系统常以PC机作为载体且需要建立服务器,成本较高,同时使用受到网络的限制。因此,对基于嵌入式的人脸识别门禁系统的研究具有重要的意义。但其仍存在人脸检测速度慢、较少样本下识别率较低、无活体检测功能等问题。针对上述问题,本文在树莓派的嵌入式系统下,对人脸识别门禁系统进行了深入的研究与优化。首先,对Ada Boost人脸检测算法进行了研究,针对Haar-like特征描述方法计算量较大的缺点,使用改进了的LBPH特征描述方法对其进行代替,并通过实验验证了其检测时间约缩减了90%。其次,对基于PCA的人脸识别算法进行了研究,并根据其损失了结构信息这一缺点,对合法人脸数据通过透视变换模拟抬头、低头、转头的姿态进行人脸增强,使其能够在单人人脸样本较少的情况下,识别率约提升了10%,并优于其他改进算法。然后,对人脸活体检测算法进行了研究。卷积神经网络可以根据数据样本自动提取真实人脸与伪造人脸的差异特征且准确率较高,但卷积神经网络计算量大且参数量多,不适合在嵌入式设备中运行。针对这一缺点本文提出了一种新的卷积核和卷积方法,其使得卷积神经网络在损失较小精度的情况下,参数量大大降低,并由此设计了SDChannel Nets卷积神经网络。同时,通过训练SDChannel Nets实现了人脸活体检测功能,并由实验验证了其比基线模型计算时间约减少了45%,参数量减少了84.2%,同时准确率损失较小。最后,设计了基于嵌入式的人脸识别智能门禁系统,该系统是一个完全离线的且集成人脸检测、人脸识别和人脸活体检测功能的人脸识别门禁系统。并通过由实验室同学组成的数据集对该系统的各项功能和性能指标进行了测试,达到了预期目标且具有良好的应用前景。