目标识别作为人工智能的一个重要组成部分,近年来取得了飞速发展,作为目标识别的一个分支,人脸识别的应用也越来越广泛,然而人脸识别容易受到内外在差异的影响,传统的人脸识别方法往往很难达到理想的效果。深度学习作为机器学习研究中的一个新领域,不同于传统浅层网络,它具有更好的表达能力和更强的泛化能力,它能够模拟人脑的工作机制,通过构建更深层次的网络模型并在大规模的数据上进行训练,实现复杂函数的逼近,获得具有鲁棒性的人脸特征,对图像的识别效果进行有效的提升,使得人脸识别的准确率大大提高。本文主要工作如下:(1)对深度学习的基础理论进行介绍。首先介绍了训练深度神经网络所需要的梯度下降算法、前向传播算法、反向传播算法;接着对深度学习的代表算法之一卷积神经网络的卷积层、池化层、全连接层进行阐述;最后,通过一个典型的卷积神经网络LeNet-5对网络的整体结构进行介绍。(2)设计了一个九层的卷积神经网络。使用Dropout弃权技术、引入L2正则化惩罚项、使用样本数据扩充等方法解决网络过拟合问题;通过将固定不变学习率转换为可变学习率、批量梯度下降与随机梯度下降法相结合、新式动量加速法、交叉熵损失函数代替二次损失函数等方法来加速网络特征的提取;最后选择支持向量机(SVM)作为分类器对提取的特征进行分类识别。(3)选择Casia-Webfaces数据集中的部分数据对所设计的九层卷积神经网络进行预训练,选择FERET数据集作为目标数据集对网络进行正式训练。最终在较短的时间内获得了较为理想的识别率。在与其它人脸识别方法的对比中,本文的方法训练时间更短、准确率更高。文中图34幅,表9个,参考文献54篇。