近年来，人脸识别被广泛应用在诸多领域，如视频监控、信息安全、法律金融等。然而在现实生活中，很难保证收集到丰富的数据集，甚至会遇到只有一张训练图片的情况，即单样本人脸识别。单样本人脸识别是指，当每个目标样本在图像数据库中只存储一张已知身份的图片时，要识别出目标样本在各种光照、表情等不可测条件下身份的情况。如何让人脸识别在数据匮乏的情况下进行有效准确地身份验证，是当前非常重要的研究课题。但是，传统的提取人脸特征的方式过于表面，无法提取深层次的信息，在单样本人脸数据集的特征提取上具有明显的弊端。深度学习是近年发展起来，并引起广泛重视的一种高效提取特征方法。该方法特有的逐层抽象、逐层迭代的学习过程和人脑视觉机制类似。也正是这种自主学习机制，使其能提取各种方向边缘等局部特征以及物体结构特征等全局特征。针对上述问题，本文提出基于深度学习方法的单样本人脸识别算法。
　　本论文主要工作如下：
　　(1) 针对单样本人脸识别中各种光照问题，提出基于联想记忆的卷积自编码生成式模型来增强训练数据集。首先构建卷积自编码网络，验证卷积自编码网络在增强数据集中的有效性。然后将卷积自编码编码器中的信息看作是记忆信息，因为这些信息是从输入信息中提取的未掺杂任何其他因素的信息，属于输入信息的固有信息；再将卷积自编码解码器中的信息看作是联想信息，因为这些信息中含有网络重构时加入的不属于输入本身的信息；最后选取记忆信息和联想信息，以一定的比例进行特征融合，加强网络的重构效果。该算法扩充了原本的人脸数据库，将问题转换为普通的人脸识别问题。在光照数据集Extended Yale B上进行算法验证，结果证明该算法有效提高了光照情况下的单样本人脸识别率，与同类型算法以及一些传统算法进行比较，本章提出的算法获得了最高的准确率。
　　(2) 针对单样本人脸识别中各种表情问题，采用条件对抗自编码网络来增强训练数据集。该模型训练了四个子网络：编码网络、生成网络、表情判别器以及人脸身份判别器。通过不断地学习海量数据集中的表情信息，将表情信息迁移到单样本人脸数据集上，从而增强网络的训练样本集。在具有表情信息的AR数据集上进行验证，结果证明该算法对表情变化有较好的鲁棒性。
　　(3) 针对单样本人脸识别中各种姿态问题，采用基于记忆和注意力机制的匹配网络模型。该模型采用基于双向长短时记忆神经网络来学习训练集的特征提取函数，并采用基于注意力机制的长短时记忆神经网络学习测试样本的特征提取函数。另外，该模型在训练过程中不断地让网络只看每一类的单个样本，并在测试过程中保持同样的条件完成单样本人脸识别，保证了该算法在单样本人脸识别中的有效性。在复杂姿态数据集LFW上进行验证，结果证明该算法优于大多数的单样本人脸识别算法。