本文探索如何利用能够自适应计算的卷积神经网络构建一个高效、准确且能应用在实际场景的人脸识别系统。人脸识别系统的主体部分是人脸检测和人脸识别,我们将从这两个方面入手,研究如何利用能够动态自适应计算的神经网络来高效地完成人脸检测任务,以及如何利用有效的工程方法和算法完成实际场景的人脸识别任务。人脸检测是一个对实时性要求较高的任务,现今大部分优秀的人脸检测算法通过设计特定的网络结构或做权重裁剪来缩减计算成本,但一般未考虑模型输入样本自身的特点以及计算过程本身的特点,因而缺乏灵活性。鉴于此,我们将设计能够基于输入样本自身特点,进行动态自适应计算的神经网络,以此来构建和优化模型;缩减冗余的计算量,做到保证精度的前提下,大幅的降低计算成本,同时具备很好的灵活性,能够泛化到其他任务和领域。另一方面,现今的人脸识别算法可以在一些公开的人脸识别数据集上做到非常高的水准,但在一些实际场景下的精度表现并不尽如人意,我们探索如何利用工程的方法在人脸识别流程上改进算法和模型的训练方法,以适应实际的非受限场景下的亚裔人脸识别的任务,提高识别精度,降低人脸识别的误识率。最后,我们会将整套人脸识别的系统应用到一个大规模人脸检索任务上来测试我们方法的性能。