人脸验证技术是近年来计算机视觉最为热门的研究方向,其被广泛应用于各种身份验证场景。目前对于人脸验证的研究已经发展到了较为成熟的阶段,现有算法在LFW人脸验证数据集上已经达到了99%的准确率。数据是深度学习算法的核心,取得这样优秀成绩的算法大部分都是基于上百万的人脸数据的前提下训练的。然而在实际应用中,并不是所有的场景都能够获取到大量的脸人图片训练样本的,例如人证比对和人脸亲属关系验证都是目前人脸验证中的小样本问题。对于小样本人脸验证问题本文有如下几点贡献:针对小样本人证比对的问题。本文通过网络收集了一个具有1万多人的模拟人证数据集,该数据集是目前已公开的质量最高、数据量最大的模拟人证比对数据集。同时,为了解决小样本情况下的人证比对问题,本文提出使用伪孪生网络将注意力模块集成到证件的特征提取模块中,利用特征融合方法将生活照与证件照人脸特征进行融合再进一步的进行人脸验证。最终,当FAR=0.1%的情况下,本文提出的伪孪生网络模型在自建数据集上验证准确率为97.20%,在公开数据集上的验证准确率为96.26%,该结果显示本文算法在样本量较少的情况下仍然能够取得较好的精度。针对基于人脸的亲属关系验证问题。本文采用孪生网络与关系网络融合的方式对亲属人脸特征进行关系建模。为了解决家庭成员中非血缘关系的夫妻之间的人脸不具备相似性的问题,提出了一种基于家庭的多中心损失函数,利用该损失函数对亲属人脸进行优化能够取得更好的特征学习效果。实验结果表明,本文提出的孪生关系网络在公开亲属验证数据集FIW上,平均准确率达到了78.1%,尤其是在祖父母与祖孙的亲属关系验证实验中,准确率达到75.3%,比其他算法提升了4.6%,但是在其他亲属关系的验证上提升较少只有1-2%左右。