卷积神经网络作为深度学习的一种常用方法，在图像识别分类性能上表现优异。在结构上，卷积神经网络结合局部感受野、下采样和权值共享等方法使其在一定程度上对缩小、放大等形式的变化具有高度不变形。人脸识别作为生物特征识别的关键技术之一，是模式识别领域的研究热点，最终研究的目的在于使得计算机具有身份识别的能力。本文将如何有效的提取人脸特征作为研究目的，深入研究了卷积神经网络的基本原理，参照经典的卷积神经网络结构设计基础模型，并将基础模型和常用的特征提取方法结合形成多层特征融合模型。主要做了以下方面的研究：
　　（1）Caffe作为当前主要流行的深度学习框架之一，执行效率高且易构建自己的卷积神经网络模型，本文深入研究了Caffe在卷积神经网络上的构建流程并使用Caffe对特定的人脸实验数据集设计自己的基础模型，基础模型的设计主要包括卷积层、池化层和全连接层。
　　（2）结合传统特征提取方法如PCA、LDA、LPP等，构建基于卷积神经网络的多层特征融合人脸识别网络模型，该网络模型先对基础模型的每一层卷积池化特征图进行特征提取并融合得到最终的人脸特征，然后输入SVM分类器和KNN分类器，最后比较分析特征融合模型和基础模型提取的特征的有效性。实验结果分析可以得到特征融合模型的方法在ORL、Yale、AR数据集上最高的识别率分别达到98.6%、99.1%、99.8%，较基础模型分别提高了10.4%、9.6%、7.0%，但是特征融合模型的时间效率低于基础模型，实验证明特征融合模型在人脸特征提取上的性能上更优。
　　（3）以特征融合模型的方法为人脸识别核心算法设计了在线人脸检测识别系统，该系统能够实现动态人脸识别的功能且识别率满足设计要求。该系统总共训练了四种在线人脸检测识别模型，实验测试结果表明融合特征模型识别率最高，且识别率较基础模型提高了13%，进一步验证了特征融合模型能够更加有效的提取人脸特征。