人脸作为一个人的重要特征信息,且具有唯一性和自然性,因此人脸识别被广泛应用于身份认证领域。深度学习有着类似于人脑机制的特征提取和特征识别等特点并且近年来随着计算机性能的飞速发展,使得深度学习尤其是大规模的深度学习神经网络得以实现。在深度学习中由于卷积神经网络(Convolutional Neural Networks,CNN)对物体的平移、旋转等空间变换具有高度的特征不变性,因此在人脸识别领域中拥有得天独厚的优势。但是在非约束条件下人脸识别常受到姿态变化、不同表情、不同程度的遮挡和曝光等各种综合因素的影响;与此同时深度卷积神经网络几乎都存在参数过多,梯度扩散等问题。因此本文在深度学习理论的基础上提出了多损失函数的特征融合算法模型来提升人脸识别率。本文对国内外一些具有代表性的人脸识别算法进行了简要的介绍和分析,由于卷积神经网络提取的人脸特征更加具有区分性以及无需人工调节参数的便捷性,所以本文以卷积神经网络为基础进行人脸特征的提取。但由于卷积神经网络提取的是人脸的全局特征,其突出的是不同人脸之间的差异程度而不是曝光、表情等方向上的变化,因此为了提高识别准确率,在特征提取中加入了高维局部二值模式(highdimensional local binary pattern,HLBP)来获得人脸的局部特征。局部特征不仅对不同曝光、表情变化等具有一定的鲁棒性同时又有效的刻画了人脸面部表情的细节变化,一定程度上弥补了卷积神经网络在提取细节特征变化上的不足。一般情况下神经网络的层数越深其提取出的人脸特征越具有判别性,但是随着网络层数的不断增加其训练的参数会出现指数式增加,所以如果不解决参数量的问题,网络不仅不会达到最终预想的识别效果,很有可能导致识别率大幅度下降,这是由于在误差反向传播过程中其梯度是不断减小的,如果不采取合适的方法解决该问题那么网络越靠前其对应的参数越得不到充分的训练其最终提取的特征就不具有判别性。因此本文实验参考了密集连接卷积神经网络结构,它可以有效的解决因层数过深而引起的参数过多以及训练时梯度扩散等问题。本文将先后在CASIA-WebFace数据集、LFW非约束数据集以及Mega Face大规模数据集上进行试验对比和分析,结果表明无论是在约束条件下还是非约束条件下,在同量级网络下其识别效率表现最好,特别是在非约束条件下表现更为出色,很好验证了本文所提出的算法模型的优越性。