目前,人脸识别技术已经成为人工智能领域应用最广泛的特征识别方式之一,因其普适性而受到社会的广泛关注。而随着深度学习的发展以及各种高性能计算设备的出现,使得人脸识别技术应用于各式各样的设备成为了可能。手持稳定器作为一种最早起源于无人机航拍的辅助摄像工具,目前已经广泛应用到我们日常生活的辅助拍摄过程中。本文将Improved-YOLOv3-tiny人脸识别网络模型应用到手持稳定器中,并利用该模型应用到手持稳定器的人像追踪识别中,控制稳定器对识别出的人像进行实时跟踪拍摄,在保障识别准确性的基础上,实现了对拍摄目标的快速追踪。本文主要的研究内容有以下几个方面:（1）针对现有的YOLOv3-tiny中存在的模型复杂度高、实时性差、识别精度不佳的问题,本文提出了改进的Improved-YOLOv3-tiny人脸识别网络模型。通过设计新的损失函数GIo ULOSS对原损失函数进行优化,提升了对目标人脸的识别速度。另外,本文将注意力机制与原YOLOv3-tiny人脸识别网络模型的人脸特征提取残差网络相结合,优化残差块结构,使得模型能够在人脸特征提取时更侧重于提取图像中的显著性区域人脸特征,强化人脸识别系统模型的特征识别能力,提升了人脸识别的精确度。实验表明,相较于原有的YOLOv3-tiny模型,本文改进的Improved-YOLOv3-tiny模型在识别速度以及识别精度上均有所提升,更适用于手持稳定器的使用环境。（2）针对手持稳定器在进行人脸识别过程中识别的速度和精度不高等问题,将本文设计的人脸识别网络模型通过Arduino开发板搭载于本文设计的手持稳定器系统中,通过设计图像采集模块、中央处理模块和舵机控制模块等模块搭建了手持稳定器人脸识别环境,并在搭建好的环境上测试验证了本文改进的人脸识别模型在手持稳定器上的应用可行性。实验表明,本文改进的面向手持稳定器的人脸识别系统可以对于人脸进行快速、精准的识别,可以有效解决现有手持稳定器存在的人脸识别慢、识别精度差的问题。通过对以上两个内容的研究,本文完成了面向手持稳定器的人脸识别系统的设计,并通过设计实验验证本文所设计的人脸识别系统的人脸检测及识别效果。经过实验验证,本文设计的基于Improved-YOLOv3-tiny人脸识别网络模型在实验测试中的识别精度达到了92.03%以及26.13ms的识别速度,满足了实际生活中手持稳定器对于人脸识别效果的要求。