随着科技的发展,生物识别技术已经成为个人身份识别或认证技术的重要方式,是目前非常活跃的研究课题。人脸识别作为生物特征识别的重要分支,它的无侵害性和对用户以最自然、最直观的识别方式更容易被接受,在信息安全、刑事侦破、出入口控制等领域呈现广泛的应用前景。然而,已有的一些机器学习算法(如只有一个隐层的神经网络、支持向量机等)大都使用浅层结构,而浅层结构的网络很难表示复杂函数。同时,以往提出的多层感知机虽可以表示复杂的函数关系但又由于没有很好的学习算法,往往容易陷入局部最优。因此,本文采用一种基于深度学习的人脸识别系统,通过逐层预训练的方法训练网络的初始权值,随后再精调网络,可使网络达到全局最优,避免网络模型陷入局部最优。主要的工作如下：(1)将人脸的关键区域的提取应用到深度神经网络中,实验结果表明,人脸的关键部位与深度神经网络结合,可以有效提高人脸识别率。(2)提出基于微调主成分分析(PCA)特征向量的深度神经网络。本文通过PCA进行降维,提取特征；并且通过反向传播算法微调PCA的特征向量,能使整个深度神经网络更具有鲁棒性。(3)建立基于深度学习的人脸识别系统,并设计四组实验,比较不同基础模块不同层数的深度神经网络的识别率,实验结果表明,基于微调PCA权值的深度神经网络的有效性。本文在原有模型的基础上,提出基于微调PCA参数的深度神经网络,将其应用在人脸识别中,取得非常高的识别率。