人脸识别技术已经得到了快速发展,并广泛应用于各种场景。基于卷积神经网络的人脸识别方法一直是最近的研究热点,本文主要从网络结构及损失函数入手进行了如下研究:1、现有深度卷积神经网络结构通常模型庞大、运算量大,针对此问题,本文提出高效的稀疏分组卷积构造块,并对比了标准卷积与分组卷积在参数量与计算量上的差异,并以此为基础改进倒瓶颈残差结构,构建适用于人脸识别的网络模型。此网络模型在大大减少参数量及计算量的同时,获得了较高的性能。2、现有的Softmax损失函数变体在基于深度学习的人脸识别领域通常能获得较好的性能,但是这些损失函数中的超参数设置对优化路径以及最终识别性能有重大影响。手动调整这些超参数在很大程度上取决于个人经验,并且需要许多训练技巧。针对以上问题,本文在余弦空间从概率角度深入分析了基于余弦距离的Softmax损失函数的两个超参数对预测分类概率的影响,据此提出基于余弦距离动态自适应参数的Softmax损失函数,旨在训练过程中根据当前优化程度不断调整超参数,来自动增强监督信号,使得网络学习到更具判别性的人脸特征。本文通过一系列对比实验,在LFW、CFP和Age DB等公开人脸验证数据集上验证了本文所提出的网络结构的高效性,在Mega Face大规模人脸识别数据集上验证了本文所提出的损失函数的有效性。