随着监控摄像头在日常生活中的普及,摄像头捕捉的信息能为人类提供更多的安全保障。基于监控摄像的人脸识别技术,可以在安防、教育、智慧城市、智能家庭等领域中发挥重要的作用。监控环境下的人脸识别在应用中存在人脸图像模糊不清、人脸尺寸小、光照不充分等问题,因而人脸识别困难。针对上述的问题,本文主要研究内容包含基于深度学习的人脸识别技术、监控环境下的人脸图像预处理技术、基于深度卷积网络特征融合的人脸识别方法三个部分,具体内容如下。首先,本文简要分析了基于传统算法的人脸识别技术,深入研究了基于深度学习的人脸识别技术。主要包含深度学习基础知识、人脸识别处理流程、人脸检测知识、人脸对齐知识、人脸验证知识。重点研究了级联卷积神经网络的人脸检测,小尺寸人脸检测;级联卷积神经网络的人脸对齐,多任务级联卷积神经网络的人脸对齐;深层身份特征的人脸验证,角度和余弦余量损失函数的人脸验证。其次,针对监控环境下的人脸识别所面临的主要问题,本文在分析对比多种图像超分辨率算法后,利用快速超分辨率卷积神经网络的方法解决了人脸图像尺寸较小的问题。在Retinex理论基础上,本文设计了基于HSV空间域自适应图像增强算法和基于不同色彩空间融合的Retinex图像增强算法,解决了人脸识别图像模糊不清的问题。通过实验分析证明了图像超分辨技术和图像增强的人脸图像预处理技术能提高人脸识别正确率。最后,本文在分析传统图像特征提取方法不足的基础上,设计了一种基于卷积神经网络与数据增广的人脸图像特征提取方法。为提升人脸识别的正确率,将多个卷积神经网络提取的人脸特征进行融合,并利用支持向量机和最近邻分类算法进行人脸验证,实验分析表明基于支持向量机的分类算法更加稳定可靠。在远距离的人脸识别中,通过使用近距离人脸图像特征作为训练集,进一步提高了远距离人脸识别的正确率。