人脸识别技术是人工智能领域的重要组成部分,一直是计算机视觉与模式识别领域的研究热点,具有重要的理论价值和广阔的应用前景。随着2006年深度学习的爆发,深度学习不可或缺的组成部分卷积神经网络(Convolutional Neural Network,CNN),在人脸识别中的应用星罗棋布,并取得了许多突破性的进展。近年来,人脸识别技术已经广泛应用于身份验证、安全支付、安防系统、生活娱乐等多个领域。本文主要研究卷积神经网络算法和人脸识别算法,并对相关算法进行了实现,将人脸识别各个模块进行结合,主要工作包括以下几个方面:第一,对人脸识别和人脸检测的传统相关算法进行研究和学习,并分析几种算法的优缺点;第二,研究了卷积神经网络的基本理论和网络结构,对相关算法进行深入学习,并对几种应用于人脸识别的卷积神经网络模型进行深入地分析和比较。第三,本文研究了GoogLeNet的人脸识别方法,搭建了人脸识别系统其中包括人脸检测模块,关键点定位模块,预处理模块和特征提取与比对模块,分别对各个模块进行了深入研究和实现。其中,本文在传统的人脸识别系统中加入了一个基于CNN的关键定位模块,提高了识别的准确率。本文对所构建系统的准确率进行测评,并测试了各模块的功能实现情况。基于FDDB(Face Detection Data Set and Benchmark)数据库和LFW(Labeled Faces in the Wild Home)数据库分别测试人脸检测模块、特征提取与比对模块和整个人脸识别系统的准确率,并与官网中所给其他算法比对。本文的识别方法的准确率要优于人眼识别的准确率,本方法准确率为97.83%,验证了本系统在人脸识别上的性能。