随着人工智能的突破性发展,人类逐渐进入智能化时代,生物认证技术也随之得到广泛的应用。人脸识别(Face Recognition)作为一种灵活、便捷的技术备受大众青睐。现今,人脸识别不仅仅应用于个人身份认证,更与人们的财产、隐私等信息紧密联系,因此它对安全性要求极高。基于深度学习的人脸识别网络在较理想环境下达到了99.55%的准确率。然而,在实际环境下,图片传输过程中产生的噪声会降低人脸图片清晰度,墨镜、口罩等服饰会遮挡重要的人脸特征,这些问题都极大地降低了识别准确率。因此,面对复杂多变的环境,提高人脸识别算法的精度,增强算法鲁棒性成为亟需解决的问题。本文主要针对噪声和遮挡两种干扰,结合轻量级卷积神经网络,提高人脸识别算法的性能,使其更好地应用于实际生活中。主要的研究工作如下:(1)针对实时人脸识别时存在噪声干扰的问题,本文提出了一种基于特征去噪的轻量级人脸识别网络。与传统的去噪方式不同,本文结合深度学习理论,对卷积层提取到的特征进行特征去噪,实现去噪和识别一体化。设计去噪块作为网络的基础模块,使其灵活地应用于网络的各层。此外,根据网络特点,对网络进行轻量化处理,进一步优化了网络结构。在不同噪声等级下,实现了稳定的识别效果,很好地提高了算法鲁棒性,与其他先进的人脸识别算法相比,不仅模型更轻小,而且显著地提高了识别精度。(2)为了解决人脸识别中的局部遮挡问题,本文提出了两种算法:一种是基于生成对抗网络的人脸修复与识别算法,利用生成对抗网络的特性修复遮挡区域图像,结合提出的轻量级人脸识别网络提取完整的人脸特征进行识别。另一种是基于融合注意力机制的人脸识别算法,通过注意力机制原理,增强特征的显著性。其中,全局注意力机制关注全局信息,同时空间域注意力机制感知局部目标信息。本算法融合上述两种注意力机制,充分利用非遮挡区域有效人脸特征,消除遮挡干扰,提高识别算法的精度。实验证明,提出的两种算法均有效提高了局部遮挡环境下的识别准确率,其中,基于注意力机制的算法模型更加轻量,鲁棒性更强。