随着大规模标注数据的出现及深度学习技术的快速发展,自动人脸识别技术已经获得了重大的突破并取得了超越人类的性能。目前,该技术已经广泛的应用于安防、金融、监控、布控等等现实生活场景中。本文研究了基于身份证人脸的人证比对研究。针对人证比对中存在的若干问题,特别是对于人脸深度特征的提取与分类的问题,进行了较为深入的研究。设计实现了人证比对系统,并在人脸特征提取方法的基础之上,结合集成学习的方法,提出了基于典型相关分析(Canonical Correlation Analysis,CCA)的分类器关联集成算法,从而提高人脸识别的性能以及其泛化能力。本文的主要工作如下:(1)研究了人脸检测的主流实现算法,在检测性能和实时性能都较好的级联Boosting人脸检测框架上对该框架进行改进,通过选择五种人脸模式以及16种Harr特征来进行模型训练从而提升该模型对姿态的敏感度,该方法不仅提升了人脸检测的速度,同时兼顾了Adaboost固有的准确性和鲁棒性。在人脸关键点定位上,以ESR模型为基础,提出了一种基于投票的ESR集成方法,实现了人脸关键点定位的功能,通过这种投票的方法提升了该模型的定位准确率。(2)提出了基于CCA的分类器关联集成算法。该集成方法通过修剪和组合基分类器从而实现更好的分类性能和稳定性。在第一阶段,采用一种稀疏回归的方法对基分类器进行剪枝,使得每个测试数据动态地选择一组分类器子集,形成针对测试数据实现基分类器的动态选择,以减少噪声输入数据和不正确分类器在全局视图中的影响。在第二阶段,利用局部融合方法对剪枝分类器进行加权。在这种方法中,考虑训练数据的近邻,以便可以利用基分类器的泛化能力在这种局部视图中获得不同的权重。实验结果显示,本文提出的基于CCA的分类器关联集成算法的分类结果优于其他集成方法如随机森林、Majority Voting、Adaboost等。(3)基于以上算法设计并实现了一个人证比对的系统,能够实现证件照和现实场景下的人脸进行匹配。系统运行测试表明该人证比对系统界面友好,功能正确,且识别速度达到了预期需求,验证了本文所提出的方法的可用性。