随着社会的不断进步和快速有效的自动认证的迫切要求,生物识别技术近几十年来发展迅速。人脸识别是一种基于人脸特征信息的生物识别技术。它在可靠性和稳定性方面优于其他生物识别技术,并且被侵犯的可能性较小。传统人脸识别算法中的特征提取主要有主成分分析法(principal component analysis,PC A)、局部二值模式(Local Binary Pattern,LBP)、Gabor变换、HOG方向梯度直方图特征等。这些特征提取算法都有不错的实验效果,但这些算法采用人工设计的特征,不但介入了主观因素,而且在大数据条件下,难以提取人脸特征,导致泛化能力下降。经验所知,传统算法只能适用小型人脸库。现今处于大数据时代,要识别的人脸是成千上万张,且每个人的人脸千差万别,复杂多样,而深度卷积神经网络(Deep Convolution Neural Network,DCNN)具有非线性描述能力,因此,人们将深度学习引入人脸识别技术领域中。然而,当今社会的人脸识别技术又面临了许多挑战,主要有:由于光照、遮挡、姿态、表情、尺度等非限制性的复杂场景下导致的人脸类内差距增大,类间差距缩小问题;计算复杂度高、模型收敛速度慢等问题。针对以上问题,本文做了以下研究:第一,人脸检测算法研究。在人脸识别系统的前端通过各种图像预处理(把人脸检测与对齐也当作图像预处理的一部分)来矫正人脸的姿态、位置,去掉人脸图有背景环境的部分,把各个人脸图大小统一化,这样使类内距离缩短,使类间和类内区分度加大。实验表明,和原始数据集相比人脸检测对齐之后的数据集识别率有所提高,且用mtcnn算法做人脸检测对齐比用DLIB效果要好。第二,人脸识别算法研究。在人脸识别模型的损失函数部分采用度量学习的方法(通常用欧氏距离)进行类间类内距离计算,通过L2和三元组损失函数的相结合反向BP传播来训练以及优化人脸识别模型,之后用embedding嵌入学习来降低模型输出的特征维数。实验表明,人脸识别模型通过度量学习使特征更具有区分能力。第三,两种度量学习的对比研究。由于用三元组损失训练的模型收敛速度较慢,为了降低三元组运算量大的问题,提出了用softmax损失函数和中心损失函数的相结合反向BP传播来训练以及优化人脸识别模型。和三元组损失相比,用中心损失可以达到同样的实验效果,且容易实现。