在生物识别技术中,人脸识别由于其生理特征的独特性占据了显著的重要地位。人脸特征作为人类最具特点的生理特征可以作为生物识别的标准。即使双胞胎,其人脸的相似度也无法达到100%,任何人脸都存在着差异和不同。人脸识别还可以在非用户配合状态下快速的对用户的身份进行识别,人脸识别技术对用户相对友好,且识别快速、准确。所以,在生物识别领域中,人脸识别技术一直是极度重要的一种识别方法。本文主要从深度学习的层面对人脸识别技术进行探索和研究,并结合基本的人脸识别算法流程,通过人脸检测、面部关键点定位的方式完成整体的人脸识别算法。在最后的面部图像匹配阶段,本文使用卷积神经网络结构训练并识别人脸图像,从而获得较高的人脸识别准确率及识别速度。论文的主要工作内容如下:(1)本文首先阐述基于图像的人脸识别技术的主要组成情况及所需特征的提取方法。详细介绍图像人脸区域检测算法、图像人脸区域特征提取算法及图像人脸区域识别算法三种算法的相关原理及对应算法的实验过程,得出实验结果,留作后续对比实验分析。(2)本文使用基于FuSt结构检测算法检测数据库中的人脸图像,在此基础上,标识人脸尺寸。在已知的人脸区域中,使用基于CFAN结构的面部关键点定位算法确定面部的五个关键点(鼻尖位置、嘴角位置、瞳孔位置),使用关键点特征实验后续的人脸匹配算法。(3)本文使用VGG-19的卷积神经网络结构来实现人脸匹配算法,首先对VGG-19的网络结构做基本原理和实现描述,其次依据提取到的特征向量配置权值参数,从而训练整个网络结构,完成人脸图像识别过程,进而完成整体人脸识别的实验过程,得出实验结果。(4)将本文提出的算法在ORL数据库、AFW数据库中实验,并与以上几种经典算法做对比实验分析,交叉验证本文算法的识别准确率及识别速度。