人脸识别作为人工智能与机器视觉的关键应用领域,因其非接触性、可操作性以及简便性而具有较高的实际应用价值,被广泛应用在安防、金融、娱乐等领域。然而在现实场景下,不同的光照变化仍会对人脸识别产生巨大的影响,导致识别准确率降低,是领域内亟需解决的问题。本文从数据集、图像处理以及识别网络三个环节入手,利用深度学习方法进行光照人脸识别的研究。本文的主要工作如下:（1）针对当前公开人脸数据集存在的光照纯度低、数量不足、光照条件缺少等问题,本文设计、采集、创建了人脸数据集ILL-Dataset,此数据集涵盖光照颜色、角度、距离等多种光照变化条件,采集完成后利用MTCNN算法进行人脸检测,剪裁得到规整化的、统一大小的光照人脸数据集。（2）提出了多通道信息融合的图像处理网络Multi-WESPE,用深度学习方法把由智能手机拍摄的图像进行综合性的图像处理。Multi-WESPE在判别网络中采取多通道输入然后以拼接的方式进行图像信息融合,在留存更多图像原始信息的同时实现跨通道的信息整合;网络采用多重损失函数,联结图像的纹理、颜色、内容、噪声等多方面信息,实现整体上的增强进而改善图像质量。（3）提出了加入动态调节机制的SK-GooLeNet识别网络,它根据图像尺度自适应地调节感受野的大小而无需人工设计,改进后网络中的神经元能够更好地捕获不同尺度的目标物体的特征;其次,优化激活函数在负值区间实现参数的迭代更新,并采用双损失函数精确识别,有效的提升模型性能。