人脸识别作为目前学术界和工业界研究的热点问题,已经被广泛应用于智能安防、金融安全、移动支付等多个领域。然而伴随着业务范围的迅速扩大,人脸信息库中的身份数量也快速增长,而当前算法的误报率显然还不能满足快速增长的应用需求。因此,如何降低大规模人脸识别场景中的误报率成为当前人脸识别研究中的热点问题,根据前人研究的经验,最直接、最有效的方法就是提取到更有分辨力的特征。现有的人脸识别算法通过在标签类上增加间隔已经能够获得较好的分辨能力,但是要进一步提升识别性能,还需要充分利用负类的信息,对数据集中的负类难样本进行进一步的挖掘。综合以上分析,论文从以下两方面展开研究:一方面从损失函数入手,对人脸数据集中的负类信息进行挖掘;另一方面从采样策略入手,通过在采样时引入难样本对,帮助模型实现更加高效的学习。论文的主要工作和贡献体现在以下三个方面:一、论文针对人脸识别中的难样本挖掘问题提出了新的损失函数,该损失通过对负类中难样本的挖掘,能够有效实现对负类难易程度的划分,并使模型始终聚焦于负类中的难例,从而实现更有针对性地优化;二、论文在前人工作的基础上,将基于在线学习的相似类采样策略与所提出的损失函数进行联合优化,两种方法相互促进,能够实现更高效、更准确的难样本挖掘;三、论文借鉴课程学习的思想,对提出的损失函数进行进一步的改进。通过将固定超参数改为随训练过程不断变化的参数,实现了对负类难样本的自适应挖掘,使损失函数的设计更加匹配模型的训练过程,既有助于模型收敛,又提升了难样本挖掘的能力。