人脸识别技术一直是计算机视觉领域研究的热点之一,同时伴随着人工智能技术的兴起,人脸识别也是深度学习算法落地的热点领域,在安防、交通、医疗等诸多方面都具有广泛的应用前景。人脸识别技术包括人脸检测技术和人脸特征提取技术,长期以来传统的人工提取特征方法的人脸识别技术很容易受到多方面的影响,使得人脸识别技术准确率始终不高,无法实际应用到人们的生产生活当中去。得益于深度学习的发展,深度学习对于图像特征的提取能力也越来越好,可以提取出图像深层的以及本质的特征,这种特征能够全面的表征人脸,并且泛化能力很强,这就使得运用深度学习来解决传统方法解决不了的人脸识别问题成为了学界和商界关注的焦点。目前,基于深度学习的人脸识别算法还在发展过程中,存在一些问题:(1)如何设计一个兼具高准确率与低复杂度的人脸识别网络,在保证识别准确率的情况下压缩模型的参数量,使得部署基于深度学习的人脸识别模型占用的硬件资源尽可能的少;(2)如何设计一个适用于人脸识别的损失函数,使人脸识别网络训练起来更加快,同时网络的性能更加好。本文针对目前人脸识别研究领域的现状和存在的问题,进行了一些可能性的探索,并尝试实现一种可行的基于深度学习的人脸识别方法,主要内容包括:(1)本文分析了卷积神经网络的发展以及各个卷积神经网络模型的原理,深入分析了轻量化网络SqueezeNet的网络特点,结合了SqueezeNet网络中Fire Module的思想,设计了一种轻量化的人脸识别网络,该网络人脸识别准确率较好,且参数量相比于其他深层的神经网络明显减少;(2)针对损失函数单一带来的问题,本文对人脸识别问题的类间差异与类内差异进行分析,设计了一种加权融合Softmax损失、中心性损失和验证损失的混合损失函数。本文以SqueezeNet网络为基础网络设计的人脸识别网络结合Softmax、中心损失和验证损失的混合损失函数,在LFW验证集上取得了 99.23%的准确率,并且参数量只有VGG-16网络的1/5。在此基础上,进一步使用训练好的模型和Tensorflow神经网络框架实现了一个在线人脸识别系统,结果表明该模型效果较好,可以很好实施和应用。最后,总结了本文在使用深度学习方法解决人脸识别问题过程中所获得的工作成果,对下一步工作进行了规划,准备继续研究基于深度学习的人脸识别方法,并将轻量化神经网络SqueezeNet部署到终端设备上。