深度神经网络以其优异的性能表现在机器视觉领域得到广泛的研究和关注。相较于传统的使用手工提取人脸特征的分类方式,卷积神经网络通过端到端的训练方式从大量人脸图像中学习到具有良好泛化能力的人脸特征。然而在复杂光照条件下深度神经网络模型的性能并未得到充分研究。本文研究基于深度学习的复杂光照条件下人脸识别技术,主要研究内容如下:第一,我们构建了一个复杂光照条件下的人脸数据集,用于研究光照对人脸识别的影响。该数据集从汽车内监控采集到的驾驶员图像中收集了330000张包含强光、弱光、局部过曝等光照问题的人脸图像。第二,在该数据集上对不同结构神经网络的性能进行了分析。分别采用LeNet、AlexNet和VggNet三种卷积神经网络结构进行训练和测试,验证了卷积神经网络对复杂光照条件下人脸识别问题的有效性。第三,研究了光照数据增强技术。通过对数据集中的图像进行光照相关的变换,向训练数据集中引入各种光照问题。使得网络能够从增强数据中学习到具有光照不变性的人脸特征,从而提高网络对光照的鲁棒性。第四,针对神经网络训练时间长、难以调整的问题,研究了集成批规范化算法。集成的网络在不降低原有性能的同时收敛更加稳定、快速。本文讨论了深度神经网络在复杂光照条件下存在的问题,为后续研究神经网络在复杂光照条件下的设计与优化提供一定的指导意义。