当前人脸识别在安保、金融、电子政务、娱乐等多领域都有广泛深入的应用和极具潜力的发展空间。同时随着深度学习的发展,针对大数据提出的深度学习人脸识别技术成为特征识别领域的热点课题,众多学者对此进行了大量研究。本文对深度学习的两个重要算法展开相关研究,并提出改进算法来解决小样本数据库在深度学习模型中识别率偏低的问题。本文建立了一个小样本的人脸数据库,充分考虑了样本采集中关于表情、姿态、光照等的变化,先将人脸数据从RGB彩色空间转换到YCbCr空间,提取符合空间肤色范围的区域再进行形态学处理,得到人脸数据,最后进行尺度归一化。分析卷积神经网络和深度信念网络的基本原理,研究其模型结构和生成算法,分别建立深度学习人脸识别模型,并在Extended Yale-B、ORL、自建样本库三个数据库上进行实验,通过对比分析优劣并得出相关结论。针对卷积神经网络和深度信念网络在小样本数据集上识别率要低于大样本,深度学习模型多用于大数据的情况下,提出改进的深度信念网络结构,用局部二值模式处理样本数据,得到LBP直方图作为深度信念网络输入层,并在使用BP神经网络进行参数调优阶段引入成对分类模式,优化系统分类边界,提高识别效果。通过在三个数据库中的实验表明,改进的深度信念网络人脸识别算法在小样本数据集上也有很好地识别效果,并且当数据存在各类干扰时,此系统也能很好的对数据进行分类。最后设计一个简单的GUI界面来实现人脸识别的应用。本文改进算法在标准样本库中识别率可以达到100%,在自建样本库中识别率可以达到96.5%。