近年来,视频监控领域下的人脸识别得到了广泛关注,通过视频监控来追踪犯罪分子,大大提升了案件的侦破率。但是犯罪分子可能通过伪装,来逃避监控系统的追查。伪装人脸识别作为人脸识别问题中的一个重要分支,对其进行研究对打击犯罪分子、维护社会治安等方面具有重要的意义。现阶段对伪装人脸识别的研究较少,现有算法的识别准确率不高,鲁棒性不强。针对这些问题,本文提出了一种基于深度神经网络的伪装人脸识别算法,通过改进网络模型提高了算法的识别准确率。对识别算法进行FPGA设计,并在FPGA上完成实现,达到了算法加速的效果。主要研究内容如下:提出了一种基于深度神经网络的伪装人脸识别算法,通过改进Squeeze Net网络模型,并将其与Face Net网络架构进行结合用于提取特征。采用triplet对完成模型的训练,最后比较不同图像之间的特征差异完成识别过程,并通过在不同参数下的实验分析了该方法的可行性。实验结果表明,本文提出的算法识别准确率接近90%,相较于其它算法,识别准确率具有一定程度的提升。对人脸识别算法进行了FPGA设计。首先对识别算法的运算过程进行了分析,分析了神经网络推理过程中的并行性,运算过程和运算量。其次对任务进行软硬件划分,完成了识别算法的系统总体设计方案。最后分别对神经网络中的各种运算设计了相应的运算单元,并根据这些运算单元设计了各个运算层。在FPGA实现上人脸识别算法。基于对识别算法的FPGA设计,制定了识别算法的软硬件实现流程。设计了网络模型各层的IP核,进行硬件加速,并使用ARM处理器实现系统的流程控制以及相关软件运算。实验结果表明,该硬件实现的运算速度相较于CPU提升了2.69倍,具有较好的加速效果。