目前,人脸验证技术已经被广泛的应用在了人们生活的各个领域。无论是监控系统还是刷脸门禁系统,无一不体现着人脸验证技术是多么的重要。早期的人脸验证研究都是基于类似身份证、证件照这类固定条件下拍摄的照片作为研究目标,所以取得的效果都非常好。但是实际场景下的照片往往会因为存在模糊、遮挡以及光照等干扰因素,使得图像信息丢失,这给人脸识别任务带来了困难。因此,本文的研究是基于实际场景下的人脸图像而不是固定条件下拍摄的图像。为了使人脸特征更具区分性,越来越多的新颖的损失函数被提出来,如A-Softmax loss。然而,这些损失函数并不能解决hard样本对训练损失贡献过小的问题。为了解决这个问题,本文提出AF-Softmax loss,即在A-Softmax loss的基础上,引入focal loss中的关注因子来增加hard样本对损失的贡献,从而提高验证准确率。传统的人脸验证需要一个阈值来判定两张照片是否属于同一个人,但是验证不同场景下拍摄的人脸所需要的阈值是不一样的,这给实际场景下的人脸验证带来了不便。为了解决这个问题,本文选用深度学习模型训练了一个度量网络。为提高度量网络的性能,本文对网络结构进行了合理化的设计,并对特征向量的融合方式进行了研究。在此基础上,本文再次将focal loss的思想引入解决方案中,使得训练更加关注hard样本,从而提高模型的准确率。本文所提出的方案在LFW数据集以及私人数据集上均取得了明显的效果。