随着移动设备高性能计算芯片的发展,在移动设备上进行深度学习模型的应用成为了当下的热门。卷积神经网络模型作为深度学习技术的一种,由于其能够自适应的提取人脸图像特征表示的特点,以及端到端的处理方式,极大的提高了图像分类的精度。人脸验证是通过判断两张人脸图像相似程度来验证用户身份的一种行为。作为一种新兴的身份验证技术,人脸验证广泛的应用于门禁,考勤等系统中。本文从物流公司货车司机身份验证的需求出发,研究了深度卷积神经网络模型在移动端的应用,提出了一种基于移动设备的人脸验证系统。本文首先研究了人脸验证的主要流程,包括人脸定位,人脸对齐和人脸特征提取。然后,本文以深度卷积神经网络在人脸特征表示上的应用着手,研究了在移动设备进行深度卷积神经网络模型应用的可行性。在具体实现上,通过模型压缩对卷积神经网络模型进行空间上的精简,使用并行计算加速人脸图像前向传播的运行效率,使基于卷积神经网络模型的人脸特征提取能够在移动端设备上成功运行。此外本文还研究了属性预测对人脸验证准确率的影响,并提出了一种基于深度卷积神经网络模型的人脸属性预测方法。通过在FERET数据库上的实验表明,使用属性预测方法能够在一定程度上降低人脸验证的误检率。最后,本文实现了基于安卓系统的人脸验证系统。该系统能够离线部署于搭载安卓系统的移动端设备,通过摄像头获取人脸图像并在本地进行图像处理完成人脸验证工作。在算法上,该系统采用深度卷积神经网络进行图像处理与人脸特征向量提取以提高人脸验证的准确率。在实现上,通过联合编译JAVA和C++代码提高算法运行效率以适应深度学习算法在移动端的应用。实验表明,本系统能够在确保准确率高达97.16%的前提下快速完成人脸验证流程,基本满足工业化应用需求。