现在技术的飞速发展,人们的生活水平日益提高,对生活的质量诉求也逐步提高。因此,人们追求生活的便利时也对安全有了新的要求。在新兴技术中,人脸识别技术恰恰满足了上述两点的要求,同时人脸识别作为模式识别与人工智能领域的研究重点,一直是热门研究课题之一。综上所述,对于人脸识别技术的应用开发是十分有必要的研究课题。然而,当今的人脸识别系统很多都是针对近距离的单人进行人脸识别,这些传统的人脸识别系统在应对复杂环境下多种干扰因素,如遮挡、多角度侧脸、背景光暗等抗干扰能力较弱,因此不能应对现实需求。本文设计了一种能够在多种干扰因素环境下基于深度学习的人脸识别系统解决了上述问题。为保证人脸识别系统在多种干扰因素环境下的人脸识别的识别率,本文设计的人脸识别系统是基于深度学习的方法。系统采用的深度学习框架是深度卷积神经网络Inception-ResNet-v1进行人脸分类,在人脸检测与跟踪上,本文采用MTCNN网络。通过图像锐化和直方图均衡化等图像处理方法以提高分类部分的识别率。系统通过试验确定了相关参数并测试其性能相较于过去的卷积神经网络模型有较大的提升,对遮挡、光照、侧脸变化等干扰因素有较好的抗干扰能力,可实现一定复杂条件下的人脸识别。采用深度学习网络进行人脸识别虽然可以保证系统的识别率,但是采用深度神经网络进行训练需要数据量大且标注精准的数据集,在实际应用中,不一定满足需求。因此,系统在设计过程中,分为三个部分,分别为数据采集部分,用于为人脸识别系统中数据集的采集;第二部分为模型训练部分,用于人脸识别系统对采集好的数据进行训练,并且可以对数据量小的用户数据集进行迁移学习,解决用户数据少而无法满足深度学习的要求;最后为分类交互部分,人脸识别系统通过人机交互界面实现视频流的实时人脸识别,使系统应用更加直观,操作更加简便化。模型通过大量实验进行验证,对系统的参数进行确定,得到最佳参数。并通过不同的人脸识别系统进行了对比,验证了系统的优越性。本文通过对人脸识别的技术与发展趋势的分析,设计了能够在多种环境干扰因素下的人脸识别系统,满足了现实需求,解决了当今人脸识别系统实际应用中遇到的一些问题,具有应用价值和应用前景。