人脸识别是生物识别技术的一个重要研究方向,得到研究者广泛关注,且取得诸多成就。然而,在实际使用过程中,人脸识别技术还存在许多未解难题,如实时监控系统中,采集到的往往是姿态各异的图片,受姿态变化的影响,其识别性能较差,且没有一种能完全解决该问题的方法。深度学习的提出,为解决人脸识别中多姿态问题提供了新的思路。针对多姿态问题,论文进行了多姿态人脸识别算法研究,主要研究内容如下:(1)针对传统深度卷积神经网络中网络收敛较慢问题,论文对深度卷积神经网络的各个组成部分进行优化处理。首先采用卷积结构替换网络中的池化层,使网络结构保持一致,减少计算量。其次,使用MFM+PRe LU替换低层网络的激活函数PReLU,避免网络的泛化。最后,采用动量法改进、优化Center Loss和Softmax Loss联合监督损失函数,从而提升网络收敛速度。实验表明,研究的多姿态人脸识别算法,对加快网络收敛和增强对姿态变化的鲁棒性具有良好效果,训练时间缩短了3个小时,并在非限制人脸库LFW和YTF上获得了99.19%和94.43%的人脸识别精度。(2)针对目前深度卷积神经网络中全连接层会消耗大量参数的问题,论文采用卷积层和全局平均池化层替换全连接层,减少网络训练过程中参数的消耗。此外,针对单网络提取特征单一,而多网络特征融合时过程复杂的问题,论文在同一网络内选取不同输出层进行特征融合优化,使训练过程简化的同时增强特征多样性。最后,在测试阶段对特征进行PCA降维处理,并研究不同维度对人脸识别的影响。实验表明:全连接层的替换使训练时间提升,深度特征优化算法在非限制人脸库LFW和YTF上获得了99.26%和94.46%的人脸识别精度。(3)针对深度卷积神经网络训练样本不足,网络容易达到饱和及当前3D模型生成虚拟人脸算法存在检测姿态受限问题,论文结合MTCNN检测和SDM算法共同获得3D映射所需的特征点,实现大范围姿态图像的检测和映射,以达到扩增多姿态样本的目的。实验表明:虚拟人脸生成算法能够生成不同角度下的人脸图像,增加了样本的多样性,在非限制人脸库LFW和YTF上获得了99.33%和95.12%的人脸识别精度,并在更为复杂的多姿态人脸库IJB-A上,获得了89.6%的人脸识别精度。