在如今的信息社会,人脸识别不论是在安防、监控、银行等领域,还是在人们的日常生活中,都发挥着越来越大的作用。人脸识别主要由人脸检测、人脸特征点定位和人脸特征提取三部分构成,目前在人脸检测和人脸特征点定位方向上都取得了不错进展,如何获取具有丰富表达能力的人脸特征成为其中的重中之重。基于传统的手工设计的底层图像特征的方法逐渐被深度学习方法所取代,主要由于三点原因,首先是人们很容易在互联网上获取海量的人脸数据进行标注,其次是机器的运算能力越来越强,最后是研究人员在深度学习算法上的不断研究带来的深度学习算法在人脸识别中的优异表现。在本论文中,笔者深入分析了深度学习在人脸特征提取技术研究中的应用。笔者主要从两个方面入手,一个是卷积神经网络结构的设计,一个是距离度量学习损失函数的选择。首先,笔者介绍了常用的卷积神经网络,并基于其特点以及人脸特征提取任务的特点,重新设计了两个更适合于人脸特征提取任务的卷积神经网络结构。然后,笔者介绍了常用的两个用于人脸特征提取的距离度量学习损失函数,并从图像搜索领域引入了提升结构损失函数,获得了更好的效果。最后,笔者所提出的人脸特征提取器在LFW数据集达到了 99.55%的等错误率,在MegaFace数据集上的鉴定任务上达到了 70.23%的识别率,都达到了世界领先水平。在本论文中,笔者还针对互联网图片训练的人脸特征提取模型在人证图片上效果不好的问题,提出了结合自编码器的距离度量学习方法来学习更适合人证图片的特征表达。在实验室的人证数据集中,人脸验证任务在错误接受率为10-3时,达到了 90.02%的准确率,人脸搜索任务在约19万的数据库中一选达到了 70.10%的准确率。最后,笔者基于上述方法得到的人脸特征提取器,利用实验室已有的人脸检测器、人脸特征点提取器,构建了两套完整的人证比对系统。其中之一主要用于基于人脸验证任务,比如海关验证、银行开户等应用;另一个主要用于人脸搜索任务,比如公安破案等。其中第一套系统的一次人证比对的完成时间能够在普通的单核中央处理器上达到340毫秒左右,第二套系统在约19万的数据库中的一次搜索时间只需要206毫秒左右。