近年来,实时视频通过人脸检测得到视频中人脸图像再进行人脸识别的应用越来越受到人们的关注。人脸识别相关的技术多样且各有特点,包括浅层特征提取后识别、深层结构直接学习并识别等。深度学习的方法所构建出的深度网络模型能够对复杂的图像信息进行有效且本质的表示,因此利用深度学习算法来对人脸图像进行建模,并利用构建好的深度网络模型来对人脸进行识别就具有非常重要的意义。深层卷积神经网络是深度学习中一种经典且常用的深度结构。深层卷积神经网络适应二维人脸图像识别场景的有效学习方式,被大量文献用于解决人脸识别问题。然而,目前深层卷积神经网络运用的传统池采样方法单一、固定,这种采样策略会增大层间有效信息丢失的可能性,从而降低网络的识别性能和泛化能力;另外,已有结构的相邻层间的卷积运算多为确定的全连接方式,无法有效降低训练参数的数量。针对这些问题,本文提出了改进的深层卷积神经网络。在对卷积神经网络深层化的基础上,本文首先提出的平方概率求和池采样这个新方法是根据池采样区域内具体元素激活值的平方作为概率计算的依据,再把各元素激活值与其对应的概率相乘并求和来得到池采样单元内的采样值,从而解决传统算法釆样值过于单一且固定的问题。然后,在池采样层与卷积层间的卷积运算中,提出运用随机上一层一半特征图谱来得到下一层的特征图谱,即改进了部分连接的方式,使得池釆样层到卷积层的连接更为高效和全面,同时降低了网络需要训练的参数数量。最后,对于高层结构的设计,本文将多层次的特征图谱与一个全连接层和Softmax回归层依次连接进行有监督的训练以便得到正确的分类结果。实验结果证明,在特定人脸数据库测试下,对比改进前的算法和其他经典人脸识别算法,本文提出的改进的深层卷积神经网络结构体现了更优的性能,对于人脸识别研究具有较好的理论意义和应用价值。