素描人脸识别技术在刑侦领域占有重要地位,近年来已成为人脸识别领域的研究热点。深度学习的飞速发展促使了光学人脸识别技术成熟,然而使用深度学习训练素描人脸需要大量训练样本。构建素描人脸库成本很高,从而导致素描人脸库样本数量都很少,无法使用深度学习直接对其训练。针对此问题本文从深度学习和迁移学习两个方面对其展开研究,核心思想是使用迁移学习从卷积神经网络(CNN)提取光学人脸特征并与素描人脸特征相适配以此来减小素描人脸训练样本。主要研究工作如下:提出了一种自适应尺度局部二值模式提取光学人脸特征的方法,通过高斯过程对提取到的特征进行分类,使用目前最权威的光学人脸测试集LFW对训练后的模型进行测试,测试精度为98.7%。最后,分别将此方法提取的人脸特征和从CNN提取的人脸特征通过迁移学习与素描人脸适配,并对适配结果进行对比分析。使用开源深度学习框架训练目前主流的人脸识别网络模型VGGFace,Caffe-face和Lightened CNN,训练后的模型在LFW上的测试精度分别为:97.41%,97.77%,99.03%。通过迁移学习将从每个网络各个卷积层提取的光学人脸特征与素描人脸相适配,并将其结果进行对比分析。对CNN进行了可迁移性分析。发现了CNN网络提取人脸特征的规律:随着网络不断加深,提取到的特征越精细。具体针对VGG16网络进行了更进一步的分析,将此网络分成前中后三段,对每一段网络提取到的特征进行分析。根据CNN提取人脸特征规律,从VGGFace网络中部提取光学人脸特征,使用JDA将其与素描人脸相适配,得到了一个完整的VGG+JDA素描人脸识别模型。使用香港中文大学多媒体实验实开源素描人脸数据集(CUFS)对其进行测试,测试结果为97.4%,并将此结果与传统素描人脸识别方法测试结果进行对比。