自动人脸识别技术是机器视觉、模式识别领域一个非常活跃的研究课题。相对于指纹、虹膜等其它生物特征识别方法，人脸识别具有采集方便、侵扰性强等特殊优势，因而被广泛的应用在公共安全、人机交互等领域。目前，在学术界和商业界得到了越来越多的关注。然而，人脸识别技术仍然是计算机视觉领域的一个难点。其主要原因在于，由于人脸图像在采集的过程会受到如:姿态、表情、光照、遮挡等外界环境因素的影响，使得采集到的图像无法完整的表达人脸特征。因此，一个能够实际应用的人脸识别系统应该对上述干扰因素具有较强的鲁棒性。　　由于大数据和计算机计算能力的发展，基于连接主义的机器学习技术——深度学习在目标检测，识别和图像分割等领域取得了优异的效果，得到了研究者广泛的关注。因此，本文以目前应用广泛的卷积神经网络为研究对象，提出基于卷积神经网络的人脸识别系统，该系统集成人脸验证和人脸识别功能。该系统主要包含人脸检测、人脸识别和人脸认证三个部分。　　在人脸检测部分，针对目前人脸检测算法对于图像中较小人脸难以检测的缺陷，提出R-CNN人脸检测算法。为了进一步提升算法的人脸检测性能，我们输入样本为大量不同类型的人脸图像。随后，几何方法来检测和相对人脸位置对应的基准点作为基准脸形状来处理人脸图像使其正面化（frontalization），从而得到高质量的人脸图像。　　在人脸识别部分，我们采用人脸检测得到的正面化的人脸标准图像来训练深度卷积神经网络。该网络以140×140×3RGB图像作为输入，随后八个卷积层组成，其中每两个卷积层后跟随一个池化层进行数据降维，最后接上3个全连接层来提取4096维度的特征向量。其中最有一个全连接层利用SoftMax函数作为分类器函数来进行人脸识别。此外，第一个全连接层后使用dropout正则化，用以减少过拟合。并使用非线性修正单元作为每个卷积层、局部链接层和全连接层的激活函数，修正模型的稀疏性和非线性。　　在人脸验证部分，距离测度被用来比较两个特征向量是否属于同一个人。在模型的训练和测试阶段，对五种不同的距离测量进行深入的研究。在训练阶段，精确的阈值被确定以接受一个匹配;在测试阶段则使用学习的阈值。并采取不同的策略来确定距离相似度的比较:最接近的特征向量、平均距离以及这两个值的组合，以及最远特征向量。　　最后，对所提出的人脸验证和识别模型进行实验测试，以检查其性能。为了评估CNN模型的性能，我们使用包含有13，00正脸图像的LFW数据集进行测试。为了测试人脸验证模型的性能，使用LFW数据集结合欧氏距离和Taxicab距离进行训练。随后使用欧氏距离和Taxicab距离测试模型，分别实现了90.8％和90.5％的准确率。类似地，在原始图像、扩展图像和扩展及灰度图像分类实现了最大精度分别为88.9％、90.8％和90％。此外，我们还使用了一个包含6000张图像的较大的SPS数据集上来训练和测试网络。在欧几里得和Taxicab距离测试的取得了超过80％的精度。类似地，原始图像，扩展图像和扩展及灰度图像分类实现了最大精度分别为81.2％，82.6％和81.4％。　　为了测试人脸识别模型的性能，我们使用了包含TFRS数据集、SFRS数据集和FRIE数据集，总共包含500，000张图片用于训练CNN模型，剩余的100，000张图像片用于测试。TFRS数据集包含有属于不同种族的族群以及相应的灰度版本18名男性和18名女性，以测试CNN网络。我们在该数据集上获得了较高的人脸验证精度，最高的达到了92.5％。此外，我们还在拉伸的人脸数据集(SFRS)进行了测试，该数据集包含102不同年龄和性别的人，我们使用32张用于训练，52张用于测试，并取得了95％的准确率。　　经过大量的实验验证了我们提出的系统的具有较好的性能，并具有很高的应用可行性。