人脸识别是一项被广泛应用于日常生活的身份认证技术,在公共安全和快捷支付等领域都有较为成熟的应用。人脸识别的主要应用是身份验证,该过程包括面部信息提取和数据库匹配。目前,人脸识别的研究重点是无约束场景的人脸识别,低分辨率、遮挡、年龄、姿势和光照等因素对识别的结果会产生较大的影响。近年来,随着深度学习的快速发展,无约束场景的人脸识别也取得了较大的突破,其中损失函数是提升模型性能的重要因素。目前,损失函数的研究方向分为度量学习方法和多分类方法。本文通过分析上述算法的优化目的,得出它们最终都是构造一个可区分性的目标空间。基于构造目标空间的分布状况,本文提出了样本自聚集算法,该方法能够通过聚集同类别的样本构建具有可区分性的目标空间。论文的主要工作如下:(1)回顾了近年来基于卷积神经网络的人脸识别算法,分别对度量学习和多分类方法进行了详细的分析。度量学习通过直接优化目标空间的样本位置,使得目标空间中的样本均能够服从最大的类内距离小于最小的类间距离。多分类方法通过训练多类别分类器间接优化样本在目标空间的位置,并在原有损失函数的基础上添加边界惩罚,减小了类内距离,使得目标空间的样本特征具有良好的可区分性。通过对比各个损失函数的优化目的,本文提出了一种泛化性目标空间的假设。(2)根据泛化目标空间的假设,本文提出了样本自聚集算法。该算法包括合力损失函数、批样本随机生成器和模型分析器构成。藉由合力损失函数和特定的批样本组合,该方法能够使得每个类别的样本都被约束在各自的超球区域内,不同类别间也具有较大的边界。模型分析器用于分析模型的收敛状态。(3)应用样本自聚集算法训练手写数字识别模型,阐述该算法构建目标空间的基本流程。同时,根据欧式目标空间的特性提出了类中心定位和数据集清洗的方法。在人脸识别实验中,本文根据训练集的样本数分布和样本自聚集算法的特性,提出了多阶段的增量学习方法。随着训练数据量的增加,模型的性能呈现线性增长。应用模型在三个基准数据集测试,取得了较好的实验结果。通过实验分析得出了样本自聚集算法当前存在的缺陷,并提出了相应的改良措施。