人脸识别作为一项重要的生物识别技术,应用极为广泛。随着深度学习的发展,主流算法在LFW数据库上均达到了超过99%的准确率。然而,这些成果仅适用于受限条件下的人脸识别。受限人脸数据有着显著的正脸偏差。对于非受限情况而言,人脸识别的难度依然较大。一方面,非受限人脸在姿态、角度、光照、表情等方面的变化很大。另一方面,非受限人脸识别是两个集合之间的比对,而非两张图的比对。人脸集合又称为模板。本文主要研究非受限条件下基于模板的人脸识别问题。为了解决上述问题,本文提出了一种基于关注的模板自适应算法(ABTA),它适用于非受限条件下基于模板的人脸认证问题。该算法以VGG-FACE作为基础神经网络结构,依次使用了分姿态对齐,三元组度量学习(TPE),基于关注的特征融合(NAN),以及模板自适应(TA)等先进算法。ABTA算法首先对非受限人脸进行了分姿态人脸对齐,在一定程度上减少了人脸的姿态差异。然后,使用VGG-FACE神经网络对模板内的所有人脸提取特征,并使用TPE算法对特征进行度量学习和降维,度量学习使得特征更适应非受限人脸的数据分布,降维使得特征表示更加紧凑。为了简化模板间认证的复杂度,本文应用了神经聚合网络(NAN)对每个模板内的人脸进行了特征融合,使得每个模板对应一个固定长度的特征表示。神经聚合网络是基于关注工作的,它使得有效信息得到加强并抑制了噪声。最后,该算法使用模板自适应(TA)方法将背景集合中的知识通过支撑向量机(SVM)应用于测试集,显著提高了准确率。本文提出的ABTA算法整合了其他先进的深度学习算法,是对模板自适应算法的改进。本文的贡献主要是在三个方面:1)采用分姿态对齐减少相近姿态内的姿态差异,使得算法能够更关注人脸本身的区别而非姿态的差异;2)使用经过三元组度量学习后的特征作为模板自适应的输入特征,该特征相比原特征更具有辨识能力而且更加紧凑(4096维降到512维);3)应用基于关注的特征融合方法代替原模板自适应算法中对特征简单求平均的方法。原模板自适应算法速度较慢而且特征辨识能力较差,而本文提出的算法由于其特征的紧凑性以及良好的辨识性,具有一定的优越性。ABTA算法在IJBA这一有挑战性的数据集上获得了与当前先进水平相近的结果,而且其运行时间得到了明显加快。