人脸识别技术是利用计算机对图像中的人脸进行特征提取、数据表达,并根据提取的特征信息进行身份分类和识别的技术。在相对理想的环境下,人脸识别已经达到了较高的精度,但在实际应用中光照、姿势和表情等不可控因素大大制约了识别效果。如何通过神经网络表达复杂环境中的人脸特征成为了人脸识别研究的关键。深度卷积神经网络是一种非人工干预自动学习人脸特征的深度学习技术,也是国内外学者普遍应用的人脸识别算法之一。其重点在于构建合理有效的神经网络模型,并选择合适的数据集对网络进行训练,进而获得良好的分类效果。本文通过改进深度卷积神经网络的结构,提高了网络表现力,并对侧面人脸的特征提取进行了深入研究。本文完成的主要工作如下:(1)调研了国内外人脸识别技术的研究现状,并对Adaboost人脸检测算法、CLNF特征点定位算法进行了深入的研究和验证,实验结果表明CLNF算法在实际场景中能精确定位人脸特征点;(2)通过有效感受野理论分析了34层残差网络的网络结构,并利用全局卷积层代替全局平均池化层对网络进行了改进,通过Casia-WebFace和LFW数据库对网络进行了训练和测试,测试结果表明改进后的网络模型准确率达到了98.3%;(3)分析改进的网络对侧面人脸识别的问题,通过在网络中拼接深度残差等价映射模块,在深度空间中进行侧面人脸和正面人脸的等价映射,提高了网络模型识别侧面人脸的准确率;(4)设计了3种不同的残差网络结构模型并进行了对比分析验证,最终选择28层的网络拼接深度残差等价映射模块作为实际场景测试的网络模型。在实际场景的测试结果表明该网络模型能有效的减少侧面人脸和正面人脸的欧式距离,增强了算法对人脸识别的泛化性。