随着人工智能技术的快速发展及应用,人工智能技术为其他领域带来了智能化的革新。生物特征识别一直以来是人们关注的重点,并随着人工智能技术的引入吸引了很多的研究人员。由于人脸是人的各种生物特征中与身份相匹配并且容易获取的特征,因此人脸识别是当前的研究热点。目前,在训练样本有限的情况,人脸识别依然存在种种困难。因为大多数优秀的人脸识别算法都是数据驱动的,而搜集大量人脸数据又是一项困难的工作,当训练样本较少时,直接训练得到的模型很容易过拟合,致使人脸识别算法在实际应用中表现不好。因此,本文将重点研究训练样本不足时的人脸识别问题。为了解决训练样本有限时的人脸识别问题,本文围绕样本增强及判别性人脸特征提取算法开展研究,目的在于提升有限样本下的人脸识别的准确率。本文的主要工作归纳如下:1.首先,我们介绍了人脸识别算法的基本流程和各个组成部分,并重点介绍现有的解决有限样本问题的相关技术,并通过实验分析各种技术的性能。2.其次,提出了基于多任务卷积神经网络的深度人脸特征提取算法。该方法也是建立在迁移学习的基础上,为了进一步提取具有判别性的人脸特征,从而解决有限样本下人脸识别率的问题,引入了多任务卷积神经网络,即通过加入了人脸面部关键点定位任务来辅助人脸识别任务,提取到更具判别性的人脸特征,然后结合人脸分类任务,构成了包含分类和回归的多任务卷积神经网络模型。3.最后,提出了基于迁移学习和特征扩充的有限样本人脸识别算法。由于学习一个鲁棒性的特征提取模型需要大量的训练数据,因此本文引入了迁移学习,首先,通过在多样本公共数据集上训练一个深度卷积神经网络,然后用训练好的模型提取目标数据集的人脸特征;其次,利用特征扩充算法增加有限训练样本的类内差异;最后,利用扩充后的特征样本训练一个分类器,实现人脸识别。