人类识别世间万物的基础是把各物种先进行归类,然后将各类别事物命名予以区分。其中,区分的难点是相似类别间的事物,它们之间的区分和识别主要依据的是脸部、体型和个体的行为表现等。从生物学原理上解释,人类在分类的过程是通过眼睛传递到大脑,然后大脑根据眼睛看到的图像做出反馈,最后再对所看到的事物进行归类和命名。这种通过眼睛到大脑来分类识别的传递方式是通过无数个神经元组成的人体神经网络系统来实现。依据这种生物学原理,在人类进入信息化时代,造物技术的发展,人们开始研究机器学习代替人做一些简单的分类问题,人脸识别就是具有代表性的分类应用。随后,机器学习技术的发展推动了深度学习方法的出现,特别是深度学习领域出现了模仿人类神经系统的原理方法,具有代表性的就是卷积神经网络(CNN,Convolutional Neural Networks)。介于CNN的框架方法和分类技术的成熟,表现出出色的分类识别效果。因而CNN方法在近年受到国内外学者的追捧,在人脸识别领域也受到众多学者热爱和应用。本文在调查和研究有关CNN的人脸识别基础上,聚焦的重点是构建CNN的模型结构和分类方法来提高识别的准确率和效率,主要的工作安排如下:(1)针对本文使用的人脸数据集尺寸太大且存在无用特征信息的问题,利用积分图像和级联的算法对数据集中图片提取研究所需的人脸部分,实验将本文研究的CASIA-WebFace、LFW和Adience三种数据集提取所需尺寸的人脸,重新命名数据集。(2)针对众多的人脸识别技术在CNN上的应用只是单方面提高人脸的识别率,但是忽视了网络模型输入参数,导致模型输入参数多、训练时间长和无法在内存小的硬件上运行等问题,提出一种基于改进的SqueezeNet的人脸识别模型。改进的SqueezeNet模型采用首尾采样层分别融合后续的卷积层,提取细微的人脸纹理特征来稳定模型收敛性。针对分类函数Softmax的改进,采用L2范数约束的方法,将最后一层的特征约束在一个球面内,减少相同特征间距,提高网络收敛能力。并且在实验中验证了该方法有效性。(3)为了进一步提高CNN在人脸性别识别的准确率,在传统的采样层融合模型基础上,提出一种新型全局融合采样层的CNN模型(NFDCNN,New Fusion Deep Convolutional Neural Network)。在NFDCNN框架结构上,每两采样层之间的卷积层在卷积特征提取之前融合前一级的子采样特征,这种方法可以保留原始的特征信息,同时与深层纹理融合,具有较高的特征信息还原度,缩小网络误差。NFDCNN模型分类函数在常规的Softmax上做了改进,引入了区域边缘分类函数AM-Softmax,该分类函数在归类上是以一块区域为界来划分,函数分布规律图上表面具有扩大不同类别间距离,缩小类内距离,并且在实验中验证。