得益于大数据分析技术的发展和深度学习研究的逐渐深入,近年来,自动人脸识别与认证研究取得了很大进展。本文针对人脸识别和人脸认证中的特征提取问题,以深度学习理论为基础,研究了基于深度神经网络模型的人脸特征提取算法,提出了一种面向轻量级人脸特征提取的技术框架,在保证人脸特征表达能力的前提下,尽量降低模型复杂度,以推动基于深度学习特征提取的人脸认证算法在实时应用中更具有效性和稳健性。论文主要工作如下:1.研究和分析了近年来的人脸识别和人脸认证技术,针对海量数据研究背景下的人脸识别和认证技术展开问题分析,为基于深度学习理论的特征提取研究奠定基础。2.深入研究了深度学习的一般理论,针对人脸识别与认证中基于深度学习的特征提取问题,本文对三种典型的深度学习模型:深度信念网络、栈式自动编码机以及卷积神经网络的结构特点和工作原理进行了系统介绍,尤其是对卷积神经网络的原理进行了深入分析。这些工作对于设计基于深度学习模型的人脸识别算法具有重要指导意义。3.提出了一种基于深度学习模型的人脸特征提取框架:首先利用多尺度人脸图片块训练多个卷积自动编码机,提取出人脸的低层特征;然后再将低层特征送入卷积神经网络中进一步提取高层语义特征。这种方式一方面符合人脑分层处理信息的工作机制,另一方面也大大降低了训练复杂度。在Pubfig83数据集上的仿真结果表明该方法提取的人脸特征具备良好的表达性。4.基于克罗内克积记号推导并分析了基于联合贝叶斯理论的人脸认证方法,在此基础上,针对该算法零均值假设条件过强的局限,我们将其推广到联合贝叶斯先验中两个分量为非零均值的情形。同时,本文提出了一种基于孪生网络的深度度量学习的人脸认证模型,该深度神经网络将前端的特征提取和后端的人脸认证结合起来,可以进行端到端地训练。文中在LFWView2的限制和非限制两种测试基准上设计实验进行了仿真验证,结果证实了联合贝叶斯模型以及基于孪生网络的度量学习模型的有效性。