随着卷积神经网络技术的飞速发展,人脸识别成为模式识别与人工智能领域研究的热点。传统人脸识别方法主要依靠特定场景的手工特征进行特征提取,鲁棒性较差,应用场景受限。而基于卷积神经网络的人脸识别方法通过多层级联的复杂线性结构直接从人脸样本图像中提取区分度更高、更具有表达能力的人脸特征信息,从而提高人脸识别准确率。人脸识别技术的核心在于如何提取强区分性的人脸特征,鉴于此,本文聚焦于特征提取网络结构,对基于注意力机制的常规人脸识别方法和轻量级人脸识别方法进行探究,主要研究工作如下:（1）提出基于混合注意力机制和改进深度残差网络的人脸识别方法,该方法特征提取网络结构是在ResNet-50的基础上做出合理改进得到的,对输入层采取更小的卷积核来保证特征图的分辨率;采用改进后的金字塔残差块来搭建主体结构,并在残差块中引入混合注意力机制,将特征图之间的通道和空间信息结合起来,增强提取人脸关键特征的能力;输出层添加Dropout和批归一化操作,提升模型的泛化能力和训练效率。使用增量角度域损失函数Arcface训练,增强人脸样本类内紧凑性和类间差异性,实验表明所设计的方法在公开数据集上有着较高的识别准确率。（2）针对移动端设备硬件条件的限制,常规人脸识别算法模型受限于大量的参数和计算量而不能进行部署的问题,提出结合高效通道注意力机制的轻量级人脸识别方法。该方法在MobileFaceNet的网络结构基础上进行改进,结合高效通道注意力机制进一步提高网络人脸图像跨区域特征交互信息的能力,将特征图之间的通道信息结合,使得网络更能着重于人脸关键特征的提取。同时使用自适应缩放余弦损失函数AdaCos进行训练,无需人为调整超参,提高训练效率和收敛速度,实验表明所设计的轻量级人脸识别方法在公开数据集上有着较高的识别准确率。