视频人脸识别和深度学习是目前国内外模式识别领域的研究热点,但是在实际应用中却总遇到各式各样的问题。随着深度学习在目标检测与跟踪方面的成功应用,基于深度学习的视频人脸识别研究也得以开展,以自动提取出具有较好表达能力的样本特征。本文利用深度学习的相关理论,完成了卷积核的学习、样本库的扩展和深层网络特征提取器的设计,从而更全面地表达出样本所含信息,刻画出样本的内容。论文的主要工作和创新点如下：(1)本文研究一种基于降噪稀疏自动编码器的卷积核学习算法,将人脸图像子块输入降噪稀疏自动编码器进行学习,得到网络的参数,即各类卷积核。通过学习得到的卷积核比传统的卷积核具有更强的适应性,能更好地提取出目标的特征。通过对卷积核尺寸和训练样本数量进行研究,选择合适的参数,在保证算法效果的基础上节约了时间。(2)本文提出利用卷积操作进行数据集扩展的思路,利用学习到的卷积核对人脸数据集进行卷积操作,从而扩大了样本集的数量,一定程度地解决了由于训练数据集小而导致的网络参数过拟合问题。后续特征提取器中的池化操作针对卷积图像进行处理,降低网络复杂度。(3)本文提出一种深层网络特征提取器的设计方案,所设计的特征提取器具有很强的适应性,可以根据所选的样本集,学习出对应的具有鉴别性的特征。将之与各类分类器连用,可以获得较好的识别效果。该特征提取器利用深度学习的思想,根据每层要求进行设计,实现对应功能,最终实现鉴别性特征的提取,完成识别功能。