无感知环境下的人脸识别无需用户停留或注视摄像头,而只需他们自然通过即可被识别,这不仅能够提高用户体验,还能帮助实现人员追踪及搜索等应用。然而,现有的训练数据集缺乏人脸被遮挡、角度大、虚焦和光照过亮或过暗等无感知场景下的人脸数据,从而使得人脸识别模型难以提取这类场景中数据的有效特征,最终导致样本漏识别或误识别。因此,为了让模型具备适应无感知场景的能力,需要在其训练过程中加入大量的这类场景下的数据,从而增加类内样本数量并增强训练样本的多样性,这通常会采取数据增广的方法来实现。但由于增广方法的源数据和增广的区域都是随机选择的,所以不可避免地会产生新增数据冗余及噪声的问题,从而影响模型的性能。本文的主要研究工作有:（1）针对人脸数据集中具有无感知场景特点的样本数量较少、现有人脸数据增广方法会引起新增数据冗余的问题,提出了一种人脸数据混合增广方法。该方法利用模型在训练过程中累积的特征提取能力,通过在每次迭代中更新差异值参数来动态地筛选出需要增广的数据,并将其分类以应用不同的增广方式,从而减少冗余数据。在LFW数据集上的实验结果显示,与Masi等人提出的人脸数据增广方法相比,本方法能够减少新增样本的数量,且识别准确率提升了0.79%。这说明本方法能够减少冗余数据,提升模型性能。（2）基于以上研究工作,本文针对增广区域随机选择所带来的噪声问题,设计了一种基于特征区域定位的人脸数据增广方法。该方法通过人脸维度激活图对导致图像识别错误的特征区域进行定位,并在此区域上进行增广以减少新增数据的噪声。实验结果显示,与第一项工作提出的增广方法相比,基于特征区域定位的人脸数据增广方法在LFW和IJB-C数据集上的识别准确率分别提升了0.38%和3.29%。本文实现了一个在沙盒容器中运行的无感知人脸识别软件,并将上述研究的数据增广方法应用于人脸识别模型的训练过程中。该软件与百度人脸识别等同类型应用相比,在企业考勤、安防等无感知场景下,对监控设备拍摄到的极端姿态、低分辨率等人脸数据识别效果更好,准确率提升了6.98%。