近年来得益于人脸识别技术的发展,人脸闸机、智能签到系统、智能监控等逐渐进入人们的日常生活,均为人们的生活提供了诸多便利。人脸识别作为一种身份认证手段,相较于虹膜识别、指纹识别等具有便捷、无感知、非强制性、并发性等优点,然而人脸容易受到姿态、表情、遮挡等外在环境的影响,给人脸识别带来了诸多挑战。传统的人脸识别算法采用人工设计的特征进行特征提取,往往很难全方位、多层次的描述人脸特征,导致识别效果难以提高。自2012年以来,随着Alexnet的提出,深度学习在图像检测识别领域取得了长足进步,极大地提高了物体识别准确率。在图像方面,深度学习采用卷积神经网络算法,无需人为设计特征,归功于大容量模型的设计和丰富标记数据收集,通过大量图像数据,海量参数自动进行特征学习,可以得到更具区分性、表现力的特征。本文基于卷积神经网络算法,进行人脸检测及识别,主要工作如下:1)针对人脸检测过程中易受到多姿态、光照、遮挡等影响,本文借鉴MTCNN思想设计了三阶段卷积神经网络做为基础模型,在此基础上采用BN归一化方法、focal loss损失函数等对模型改进训练,并在人脸检测数据集wider face上进行算法训练与测评,实验验证了改进模型算法的有效性。2)人脸识别过程中,由于受到光照、表情等影响,同样会给识别带来干扰,因此需要最小化人脸类内距离,最大化人脸类间距离。本文基于facenet算法进行改进,对比了不同人脸软间隔、相似度度量函数对识别准确率的影响。之后,本文设计了具有较高识别准确率的深度卷积神经网络人脸识别模型并在LFW数据集上达到了99.15%的识别准确率。最后本文设计了具有较少参数量的适合移动端的轻量级卷积神经网络模型,其参数量为1.03M,在实际应用中可根据应用场景选用不同模型开展人脸识别任务。