在人工智能与安全防控深度融合发展的趋势下,以人脸识别为代表的高效、便捷、可靠的生物特征识别技术被广泛应用于汽车智能安防的产业技术升级,深度学习驱动下的人脸识别紧跟人工智能发展步伐在近年来也取得了跨越式的发展。但受限于车载计算资源,以深度神经网络为代表的人工智能技术难以大规模在车载终端上实际应用。目前深度学习算法研究仅采用云平台或工控机实现,针对如何突破算力瓶颈实现深度学习算法的车载移植研究较少。本研究以多因素干扰的车载环境下驾车人员为对象,通过对深度学习下多种人脸识别算法展开对比研究,提出一种兼具强实时性、高准确率、适用于车载环境下算法移植的人脸识别方法。本文的主要工作包括:1.设计并搭建深度卷积神经网络模型,该网络以Googlenet网络架构为依托,针对车载环境下人脸识别的高准确率、强实时性的应用需求,结合目标三元组最小化类内与最大化类间距离的特性,改进设计适用于车载环境下人脸识别的Cap＿conv胶囊卷积神经网络模型,沿用Googlenet网络模型的卷积池化层作为目标人脸区域的特征提取层,采用胶囊网络完成特征向量重构,实现最终的人脸特征向量表征。通过训练与测试搭建的深度神经网络模型,提取车载摄像头采集的人脸图像特征信息,将其映射至新的特征空间,实现待测目标与所采数据集中的特征人脸空间比对,即人脸识别。通过对模型的指标检测发现,Cap＿conv胶囊卷积神经网络在准确率和实时性表现良好,但存在计算资源占比较高的情况。2.针对Cap＿conv胶囊卷积神经网络占用计算资源率较高导致在资源受限环境下难以实际应用的痛点,引入了适用于车载环境下的人脸识别网络模型优化策略。在Cap＿conv胶囊网络基础上,采用轻量化神经网络手段,将原有卷积模块进行可分离式卷积拆解,引入残差模块与shortcut连接,结合网络去过拟合操作,快速精准实现多因素干扰下的人脸识别任务。通过测试结果可得,优化后的Cap＿conv胶囊卷积网络在车载系统的嵌入式移植下仍具有较高的实时性与准确率。实验结果表明,优化后的Cap＿conv胶囊卷积神经网络对人脸识别的准确率为98.06%,计算资源占比为38%,处理速率为34ms,兼具了强实时性与高准确率,更适用于车载环境下的人脸识别,具有很强的实际运用价值。