深度学习是机器学习的一个分支领域,是一种基于数据进行表征学习的方法。对于人脸识别问题来说,深度学习得到的人脸特征往往会比手工特征对人脸身份及属性具有更好的选择性。人脸识别,作为一种基于人脸特征的生物识别技术,目前已广泛应用于智慧城市、互联网移动端支付、刑事侦查、智能安防等多个领域。本文主要研究基于深度学习的人脸识别算法,构建一个集人脸检测与识别为一体的人脸识别系统,最后在不同的数据集上验证本文方法的性能。主要内容包括:(1)首先介绍了深度学习的相关理论,对主流的网络结构与深度学习框架进行了阐述,详细地介绍了本文使用的卷积神经网络的结构,最后对人脸识别的流程,以及相关的数据集和模型性能评估指标进行了介绍。(2)对本文构建的人脸识别模型训练使用的图像进行预处理,包括人脸检测、对齐和图像增广,其中主要对人脸检测算法进行了多组实验,对传统人脸检测算法与基于深度学习的人脸检测算法进行了比较,确定了人脸识别的预处理部分。(3)人脸识别研究的主要发展方向有三:数据集、损失函数和模型结构。本文针对构建人脸识别网络所需的损失函数进行了大量的实验,在不同的网络模型与训练数据集上进行了评估,对原始的ResNet网络模型进行了优化与改进,以不同的数据集进行训练,并在不同的测试集上进行了比较实验,最后针对人脸被安全帽遮挡与光照变化对网络模型进行改进优化,得到最终的人脸识别模型。结果表明本文构建的人脸识别网络模型分别在LFW、CFP、AgeDB-30数据集上达到98.71%、95.7%、92.98%的准确率,尤其是在MegaFace数据集上达到了98.33%的准确率,相较原始模型提升了7.46%,完成了预期设定的目标。