随着计算机视觉与模式识别领域的快速发展以及社会生活中对人类特征识别的需求越来越高,声纹识别、指纹识别以及约束条件下的人脸识别已经不能满足人们的需求。现实生活中对于非约束条件下的人脸识别的需求日益增强,各大互联网公司都开始对其进行研究。而人脸识别流程中,鲁棒的人脸特征表示以及良好的分类算法对于非限定条件下的人脸识别起着至关重要的作用。本文以深度学习相关理论为研究方法,针对人脸识别中的人脸特征提取与人脸匹配步骤进行了研究并进行了实现,论文的主要内容包括以下几点:1、综述人脸特征提取与人脸特征匹配的现有方法。通过研究国内外文献,介绍了深度学习的概念以及发展。深度学习是一种机器学习算法,其主要被用于大数据的研究与学习,可以学习数据的深层特征表示。2、本文对于深度学习中的深度卷积神经网络进行了研究,然后对于其结构及损失函数进行改进,并针对本文搜集的训练数据设计了特征提取网络,使用本文改进的网络在本文收集的训练集上进行训练可以防止过拟合的发生,从而提取出人脸的深层特征。这样的特征比人工设计的特征或是普通卷积神经网络提取的特征对于人脸有着更好的表示效果,在使用这样的人脸特征进行相似度匹配时可以取得更好的效果。3、在人脸特征匹配环节中,本文提出了一种分步特征匹配算法,其分为快速匹配步骤及精细匹配两个步骤,目的是缩短特征匹配的时间。并且本文在第二步中选择不同的学习型匹配算法进行研究,以比较它们对于整体人脸识别识别率的影响,最终本文选择联合贝叶斯方法作为精细匹配步骤中的匹配算法。4、本文实现了经过改进的深度卷积神经网络以及分步匹配算法,为了解决实验过程中出现的训练深度卷积网络时速度过慢的问题,本文使用基于GPU训练的方式替代基于CPU训练的方式重新实现深度卷积神经网络,从而达到对于网络进行加速训练的目的。