高校的学生课堂考勤严重挤占了课堂时间,考场身份核验增加了监考人员的工作量,且效率低下。随着人工智能技术的研究与技术应用领域的推广,不同领域遇到的问题都尝试着采用人工智能方法来解决,尤其在计算机视觉方向上,因为卷积神经网络具有强大的计算能力与非线性自主学习特征的特性,所以被广泛应用在现实场景的目标识别与验证工作中。因此,为了达到节省大量的人力、物力与提升工作效率的目的,本文采用深度学习方法解决课堂场景的人脸匹配问题。本文根据深度学习理论,设计了基于课堂场景数据的人脸图像分类算法,算法的设计思路主要从人脸图像预处理、人脸图像分类算法研究和实验分析三个部分阐述。首先,从教室采集大场景图像,使用人脸检测算法抓取人脸图像,将被捕获的图像分类,制作成实验图像数据集。针对现实场景的图像样本质量较差的问题,本文使用直方图均衡与锐化增强算法处理人脸图像,过滤环境因素带来的影响并且有效地突出图像中的人脸信息。为了使模型更专注在规范区域学习判别特征,进行了人脸对齐。其次,本文重点设计了人脸图像分类算法,本算法由分类模型与分类器Softmax组成,其中设计了三个模型结构:轻量级的卷积网络模型、基于Shortcut模块的网络模型与改进的孪生结构模型。考虑到实验数据为质量较差的现实场景样本,并且为了加大学习难度和得到更具判别性的人脸特征向量,本文重点改进了算法原本的Softmax,使用基于余弦间距的Softmax作为损失函数。通过实验测试,轻量卷积网络最灵活,基于Shortcut的网络在不同数据集上性能最稳定,改进后的孪生网络对比未改进的孪生网络提高了一定的精度,并且在小数据集上有一定优势;基于余弦距离的Softmax很大程度上促进了模型对低质量样本的学习。由实验结果分析得出,本文推荐基于Shortcut模块的网络模型与基于余弦距离的Softmax的组合算法,将该算法应用在现实场景环境复杂,采集样本不佳的情况下。最后,本文试验了不同模型和不同Softmax的组合算法方案,在训练过程中观察各算法的准确率和Loss趋势,分析各算法方案的优劣势与适用数据集的特点。为验证算法的泛化性能和被提取特征的判别性,本文将算法预测得到的128维人脸特征表达向量可视化,观察对象之间的差异,采用余弦相似度公式进行相似度计算。对于未训练身份样本,算法依然可以匹配准确,实验结果进一步验证了算法的有效性。