素描人脸识别技术是异质人脸识别的一个重要分支,可以协助公安机关搜捕犯罪嫌疑人,在刑侦领域有着不可或缺的作用。目前,素描人脸识别技术所面临的主要难点在于素描人脸图像和光学人脸图像间存在着较大的模态差异以及现有的素描人脸数据较少。随着深度学习的快速发展,素描人脸识别技术有了新的突破。然而,当训练数据较少时,基于深度学习的素描人脸识别方法易出现过拟合和局部最小值的问题。这严重限制了素描人脸识别方法的发展和性能的进一步提升。本文通过对现有的素描人脸识别方法进行分析,针对素描人脸识别中训练样本较少,以及素描图像与光学图像间的模态差异,提出了域自适应均值网络,在此基础上,为了进一步提高网络的学习能力和解决不同域的图像之间的域转移问题,提出了任务相关的多域自适应熵元网络,主要贡献概括如下:1、提出了一种基于域自适应均值网络的素描人脸识别方法。具体地,针对较少的训练数据易过拟合的问题,域自适应均值网络引入了一种针对素描人脸识别的元学习训练策略,将学习水平从数据提升到任务层次,极大的增强了模型的综合泛化能力;在每个任务中,域自适应均值网络设计了适合素描人脸识别的均值损失,通过将光学图像和素描图像映射到同一个度量空间中,均值损失模拟图像样本之间的距离分布,使得同类的样本特征彼此靠近,异类的样本特征彼此远离。最后,为了减少在训练过程中光学图像和素描图像间存在的模态差异,域自适应均值网络引入了一个域自适应模块,通过不断降低二者之间的最大均值差异来优化网络。在标准素描人脸数据集中的实验结果表明本章方法的识别性能优于其他素描人脸识别方法。2、提出了任务相关的多域自适应熵元网络的素描人脸识别方法。具体地,在域自适应均值网络中提出的元学习训练策略的基础上,提出了一种存在于样本间的权重学习方法来提高任务的难度,并将交叉熵损失和度量距离相结合,提出了任务相关的熵均值损失,即在使得相同类别间的样本相互靠近的同时,不同类别间的样本也相对靠近,进一步提升了模型的学习能力。任务相关的多域自适应熵元网络还引入了多域自适应损失来降低素描域与光学域间的模态差异和训练域与测试域间的数据偏移对识别性能的影响,进一步提高模型的识别能力。在标准素描人脸数据集中的实验表明,相比其他的素描人脸识别方法,该方法具有更优越的识别性能。