近年来人脸识别技术在安防、金融、娱乐等行业得到了广泛应用。深度学习算法是人脸识别技术实现的关键,然而深度学习人脸识别技术在嵌入式设备应用中仍存在许多问题,一方面,由于大规模人脸训练集存在大量冗余特征,网络模型训练前向传播速度不高,另一方面,由于提取人脸特征的网络模型结构复杂,算法嵌入式运行速度不高,该技术未能得到普及。针对上述问题本文面向自动驾驶应用场景,研究了嵌入式深度学习人脸识别算法,搭建了嵌入式人脸识别系统。特别在人脸数据存在大量冗余信息、传统网络模型难以有效提取图像中位置变化较大及尺寸较小的人脸特征以及复杂网络模型嵌入式设备运行速度低三个方面提出了改进方法,实现了人脸目标检测、人脸关键点检测、人脸姿态矫正以及人脸识别。本文主要工作和创新点如下:1.针对人脸数据存在大量冗余特征的问题,提出一种改进的基于LLE流形学习的数据降维方法,在LLE流形学习基础上引入余弦距离数据重构方法代替原始重构方法,从而解决在数据维度较高时原方法无法有效提取数据内部流形结构与拓扑结构的问题。实验结果显示,算法完成降维时高维数据内部存在的流形结构在低维空间得以有效保留,人脸图像经降维后加快了网络前向计算速度。2.针对传统网络模型难以有效提取图像中位置变化较大及尺寸较小的人脸特征的问题,提出一种融合ResNet18与改进Inception的全卷积神经网络,该网络结合ResNet18网络层数多与Inception网络宽度大的特点,通过在ResNet18网络基础上采用Inception网络思想横向拓展网络宽度,实现了提取图像中位置变化较大及尺寸较小的人脸多元特征。实验表明,全卷积神经网络能够有效的提取本文人脸特征。3.针对复杂网络模型嵌入式设备运行速度低的问题,利用小卷积核堆叠的方式代替大卷积核进行卷积计算的方法裁剪网络,两种计算方式具有相同的卷积感受野,同时前者卷积计算复杂度较低,并引入MobileNets可分离卷积用以减少卷积层的参数数量与计算量。实验结果显示,在网络模型结构较复杂时,能够有效降低模型体量与计算复杂度,提高算法在嵌入式设备的运行速度。4.在嵌入式开发板上完成了人脸识别算法的部署,实现了自动驾驶嵌入式设备人脸识别。本文提出的各种改进算法在嵌入式设备上的运行速度具有较好的优越性,并且能够有效提取人脸主要特征,减少网络参数数量与计算量。