近年来，随着人脸识别算法性能的提高，人脸识别技术被应用于诸多领域。目前市场上的人脸识别技术主要分为两类：核实验证技术（人脸与身份证照的比对）和搜索识别技术（基于数据库识别人脸），本文主要对搜索识别技术进行研究。门禁、考勤等系统利用各种算法直接在基于操作系统的专用设备上进行人脸识别，设备的成本较高、功耗较大，而且实时性与安全性得不到保证。同时安防、金融等领域将大量图像经由前端设备采集传至后台服务器进行数据运算与处理，不仅增大了服务器的压力，而且消耗了大量网络带宽。因此，利用神经网络算法在低功耗、低成本的微控制器上研究人脸识别具有重要意义。
　　针对以上问题，提出了基于稀疏化CNN在微控制器芯片上实现人脸识别的方法。利用人脸数据库在服务器上进行卷积神经网络的训练，训练完成后利用稀疏化算法对模型参数进行压缩，固定网络模型并将各层参数导出；通过CMSIS-NN库在微控制器芯片Cortex-M7上搭建与服务器相同的网络模型并加载导出的权重值，实现在微控制器上利用神经网络进行人脸识别的研究。主要研究工作如下：
　　（1）提出在微控制器芯片上搭建神经网络进行数据处理与识别的方法。微控制器芯片不仅具有低成本、低功耗、高寿命等优点，而且不依赖操作系统，更加稳定可靠，可有效解决后台服务器压力过大等问题。CMSIS-NN神经网络内核的应用程序接口可以轻松地定向到任何神经网络框架，库中包含优化的神经网络函数，提高了神经网络的在微控制器芯片上的识别性能。
　　（2）设计搭建一种适用于微控制器的轻量型神经网络模型。针对现有网络模型规模较大，参数量多导致计算量繁杂，对设备的内存、功耗有很高要求等问题，搭建了一种轻量型的卷积神经网络，该网络仅有五个卷积层和三个池化层，不仅运算量小，而且功耗低。
　　（3）设计了稀疏化卷积神经网络实现对模型参数的裁剪。由于训练完成的神经网络的权值参数存在大量的冗余，各层卷积核中的大量参数都是无用的，这些无用的参数既浪费内存、增加计算量，也不能表达模型特征。因此，在服务器上完成卷积神经网络的训练后，通过模型间的神经相关性和稀疏度计算丢弃矩阵，利用丢弃矩阵对训练完成的神经网络进行模型压缩。
　　利用两种数据库进行实验测试，将在服务器上搭建的卷积神经网络、模型稀疏化后的神经网络以及在微控制器上搭建的稀疏化神经网络的识别性能进行对比，三者的实验数据基本保持一致。因此，在微控制芯片上搭建稀疏化神经网络进行人脸识别可有效解决网络带宽和服务器压力过大等问题，对于各行业系统安全的提升具有重要的意义。