机器学习专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,为包括人脸识别领域的人工智能的发展做出了极大的贡献。本文探索如何应用机器学习中的一些技术,使计算机更好地完成人脸识别领域中的人脸检测和人脸验证。在人脸检测方面,针对如何快速、准确地检出人脸的问题,提出了一种使用特征融合的卷积神经网络。首先快速提取图像的梯度方向直方图(HOG),然后使用能快速对多种物体进行检测的卷积神经网络YOLO提取图像特征,最后将YOLO提取出的特征与HOG进行融合,并将融合后的特征作为特征图。在训练过程中,引入了多任务学习和复杂样本处理,使本文提出的卷积神经网络能够进行目标定位与分类,并提高训练效果。随后为进一步提高算法的性能,对学习器进行了改进,使用随机森林替换全连接层。在通用的人脸检测数据集FDDB进行的实验分析,证实了上述方法可大幅提高检测人脸的性能。在人脸验证任务中,为准确地对人脸图像进行身份验证,本文同样应用了使用特征融合的卷积神经网络,并在损失函数方面进行了修改。根据最邻近算法的思想,本文使用了三元损失函数,令人脸图片之间的相似度能被更好地量化,从而提高人脸验证的准确率。为了在使用三元损失函数训练算法时时加速算法收敛,对三元组的组成成分进行了优化。通过在通用数据集LFW上进行实验,证实了该方法能提高人脸验证的准确率。