随着人脸数据集规模的持续增长,科研人员们设计出了各种更快更强的人脸识别网络进行人脸识别,但是对于现有数据集中存在的噪声的来源和后果,人们仍然知之甚少。由于模型是依靠数据进行拟合的,数据的好坏将直接影响模型的最终结果。对于小规模的数据集,可以通过人工标注的方式对噪声进行清洗,但是面对大规模的数据集时,这些存在的问题将无法完全依靠人工来解决。并且清洗数据在一定程度上也会减小数据集的规模,为此,本文围绕着数据清洗和利用改进损失函数增强网络学习信息进行了深入的研究。提出了一种基于层次聚类的流式数据清洗方法,用于解决在实际场景遇到的问题。首先,本文针对不同种类的数据集存在的噪声问题进行详细分析。之后,从结构方面,本文将清洗方法设计成了流式结构,数据依次经过每一个清洗模块后,最终可得到干净的数据集。从内容方面,本文使用了层次聚类的思想,通过三层聚类的方式对数据集进行高精度清洗。提出了一种基于随机噪声的损失函数方法,解决了由于数据清洗导致的数据集规模减小的问题。首先,本文分析了噪声的可能组成形式。之后,对网络输出的人脸特征添加随机且微小的噪声,并利用LFW和YTF测试集对训练得到的模型进行评测。最后,通过实验得到了不同噪声组合下的模型准确率。实验证明,本文提出的清洗方法对噪声的召回率达到了99%,能够很好解决数据噪声的问题。基于随机高斯噪声的损失函数训练得到的模型在LFW和YTF上进行测试,准确率分别提高了0.15%和0.27%。