人脸识别一直以来都是人工智能领域一个研究热点,随着计算机与互联网的发展,许多学者提出了高精度的人脸识别算法。这些算法大多是基于大量有标记样本,并且默认分类错误的代价是相同的,然而这样的设定在大多数现实场景中是难以满足的。为了解决样本标记稀缺时的代价敏感人脸识别问题,本文基于多粒度分类场景中广泛应用的序贯三支决策理论,提出一个基于卷积神经网络的主动序贯三支决策模型。本文将序贯三支决策与主动学习策略结合用于解决动态增量人脸识别问题。首先,为了从图片中提取出决策信息用于构造出不同层次的粒度,本文用深度卷积神经网络提取特征作为图片的描述。其次,考虑到延迟决策应随信息量增加而更不可接受,本文在序贯三支决策理论的基础上提出了延迟决策代价随信息量动态变化的动态边界域思想。该思想更加符合人类思维模式,能够使得序贯过程中边界域快速缩小直至消失。最后,考虑到很多情况下,获取足够的有标记样本是昂贵甚至是不可能的,因此采用主动学习方法选择待标记样本。受非极大值抑制思想的启发,本文提出了非极大值抑制不确定性采样策略。本模型采用主动学习策略逐步获取有标记图片,构建了多级决策粒度,并综合考虑决策代价和训练代价选择出最优的决策步骤。我们在多个人脸数据集上从多个角度验证了该模型的有效性,实验结果显示出三支决策相对于二支决策具有更低的代价。主动学习方法仅使用较少样本即可获得较高精度和较低代价,且采用非极大值抑制不确定性采样策略的主动序贯三支决策模型具有最佳性能。