人脸识别是能够从图像、视频中识别或验证身份的技术,具有被测试的个体无法察觉的自然性优势,不容易引起使用者的注意而不易被伪装、欺骗,近年来人脸识别在生活中应用越来越多。而随着深度卷积神经网络将许多计算机视觉任务的性能提升到了一个新的水平,构建更深、更复杂的网络使人脸识别算法获得了更高的准确性,但同时神经网络导致的计算及存储成本大的缺点限制了算法更好的普及、移植。本文针对这一问题,研究单摄像头条件下统一高效的人脸识别算法。完整的人脸识别过程依赖于人脸检测、活体检测、关键点检测及人脸验证四个任务,本文结合这四个关键算法提出一个基于深度可分离卷积结构的统一网络模型,并使用多源数据集实现多任务共同训练过程。通过设计模型结构,在网络内使用关键点检测结果辅助其他任务的学习,引入注意力机制,通过特征级别的裁剪与对齐保证模型的精度,利用任务间共用卷积层网络减少模型算量,实现网络加速,同时多任务的学习目标隐式的增加了训练数据的数量和不同的数据分布,使模型更容易学习到具有泛化性的特征。实验中,对模型四个任务进行了分别的验证。本文提出的统一多任务模型总算量为589MFLOPs,优于现有的单任务人脸验证模型。人脸验证任务在LFW数据集的6000组测试数据上,准确率能够达到98.6%,在使用3张图像计算面部中心时准确率能达到99.9%。关键点检测方法对比其他现有关键点检测模型取得了较精确的检测结果。活体检测在使用15个随机皮肤裁剪区域时HTER为2.75%。人脸检测在单人脸和多人脸测试集上检出率能达到99.17%及97.05%。