随着科学技术的发展,人证比对技术的使用愈发频繁,基于卷积神经网络的人脸识别技术已经在相关应用中展现出了相比于传统算法而言的巨大优势,将人脸检测以及人脸识别算法推陈出新进一步提高人证比对的性能和效率是本文研究重点。本文针对性的提出了2个解决思路,主要研究内容包括以下三部分:（1）针对原始图像噪声影响模型检测精度的问题,本文结合小波变换可以去噪的特性和多任务卷积神经网络（Multi-task convolutional neural network,MTCNN）自主学习图像特征的特性提出了一种基于小波变换和改进MTCNN的人脸检测算法（简称WT-IMTCNN）。由于原始小波变化采用的固定阈值在去噪时不合理,影响模型性能,本文提出混合阈值函数和自适应阈值改进小波变换来实现图片去噪且不失真;另外由于MTCNN网络采用非极大值抑制筛选算法进行候选框筛选会损失部分信息,针对该问题,本文提出置信度来改进NMS算法,应用至MTCNN中形成IMTCNN检测算法。（2）针对人脸识别精度欠佳问题,本文提出基于遗传算法和图像特征补偿的人脸识别算法（简称GI-FR）。为了提升原始图像的潜在信息和表达能力,本文通过8种常用算子计算原始图像的8个特征补偿因子,将生成的8个特征描述图像加权融合实现图像信息增强。针对8个特征补偿因子的最优特征补偿系数组合,本文利用GA算法实现最优组合的选择,将新的特征图降维后输入至传统分类器SVM实现高精度的人脸识别。（3）采用Wider Face数据集和LFW数据集进行仿真实验验证本文提出的MT-IMTCNN模型和GI-FR模型的检测性能,结果表明最高检测率可达到98.8%和99.3%,对比现有研究分别提高了9.9%和0.2%,并合理设置多组对比实验验证本文提出的自适应阈值、改进NMS算法、图像特征补偿技术的正确性,以及在多个数据集上的应用效果,并对实验结果进行了详细分析和整理。