人脸识别已经成为当今身份认证中最重要的一项生物识别技术,并已广泛用于多种领域,例如:军事、金融、公共安全和日常生活等。近年来,由于深度学习技术的兴起,彻底改变了人们对人脸识别问题的研究格局,从那时起,利用深层的网络架构得到人的面部特征表示极大的改善了人脸识别技术并在一些实际的场景中获得了成功的应用。针对人脸识别问题,本文做了如下工作:首先,本文利用卷积神经网络,采用端到端的方法,直接学习人脸图像到特征向量的映射。借用Goog Le Net的网络架构,对Face Net模型提出的损失函数进行重构,并在三元组选择上设计了新的方法,从而实现人脸信息特征的提取与量化。同时,我们将新的模型与原始模型进行比较分析,对于定义的多种不同的评估方法和指标,在测试数据集上的表现均说明了新模型的有效性以及优越性。其次,就治安防控问题来说,当前安防设施落后,数量、种类较少,精细化程度不高,仍以视频监控、车辆卡口为主,并且依然是以人工为主,工作效率普遍较低。随着安防建设的不断推进,监控点位越来越多,从而摄像头产生大量的视频数据,目前安防视频一般是存储一至三个月,大量的视频数据存储在数据中心,而这些数据多数是以非结构化的形式存在,除了能回放别无它用。对于这个问题,本文提出了一种新的算法,将人脸识别技术与人工智能相结合,对视频内容智能化分析,探测异常信息,从而进行治安防控以及风险检测。