因为人脸识别非接触式、方便、友好等特点,长期以来,研究人员对其进行了深入研究,取得了很多重要成果。近几年随着硬件设备性能的提升,基于深度卷积神经网络的人脸识别技术识别率越来越高,效果明显,性能优越,在实际应用中越来越广泛。但是在非限定条件下,比如光照、表情、遮挡、年龄等变化情况,对算法的性能影响很大,还需要进一步深入研究。因此,本文以传统的深度卷积神经神经网络为基础,主要研究在人脸识别中,因非限定条件造成的人脸模糊图像的识别。针对人脸特征的提取,本文根据Trace变换原理和模拟数字信号思想提出了两种新的特征提取方法--1.旋转增量调制特征提取方法,该方法对一幅图像中的每条垂直迹线通过增量调制编码原理提取特征值,一幅图像的一个角度下的所有特征值组成一行一维向量,所有角度下的特征值组成二维矩阵,这样完成对图像的初步特征提取;2.旋转均值跳动特征提取方法,该方法通过本文提出的均值跳动编码思想对一幅图像上的所有垂直迹线提取特征值,同样在一个角度下的特征值组成一行一维向量,所有角度下的特征值组成二维矩阵。针对人脸的分类识别,因为卷积神经网络是将底层特征层层提取,最后提取高维的抽象特征,而本文上述两种方法提取的特征还是底层特征,因此将这两种方法与深度卷积神经网络进行了级联,在第一个卷积层之前加入一层特征提取层。针对模糊人脸的识别,考虑到人眼观察物体越近越清晰越远越模糊的感知模式,本文在上述的级联卷积神经网络的基础上,引入图像多尺度的方法,在特征提取层之前,加入一层多尺度处理层。为了验证本文提出的方法和网络模型在模糊人脸上的识别性能,本文选取Yale、ORL、AR等三个人脸库,采用清晰的人脸图像进行训练,相对应的模糊人脸图像进行识别的方法进行实验。结果表明,与传统的深度卷积神经网络相比,本文提出的方法在识别模糊人脸时,在相同的实验条件下,识别率有较大的提升。