人工智能技术的进步极大地促进了社会的发展,相关的产品已经渗透到人们日常生活的方方面面。作为人工智能研究热点的计算机视觉技术,近年来也有了极大的进步。其中人脸识别作为应用最广泛的分支之一,也已经完成了从科研领域到商业领域的转变,在各行各业获得应用。同时,人脸识别的各种算法与新技术层出不穷,识别精度也逐年上升。然而在实际应用中,虽然大多数算法对正脸的识别精度很高,但现实中捕捉到的人脸图像或多或少会带有不同程度的偏转,而偏转时一般会造成识别精度的下降。同时,面部也经常可能被口罩、墨镜、头发、佩饰等物品局部遮挡。这些也会导致部分人脸特征丢失,从而影响算法准确率。因此,本文将围绕这些内容展开研究。为解决人脸的姿态变化对识别的影响问题,设计了偏移网络用来表示姿态脸到正脸图像的偏移关系,并通过梯度下降优化算法得到姿态脸到偏移向量的映射函数。实验表明针对姿态变化人脸相比Face Net,识别性能有所提升。为解决局部遮挡问题,设计了权重网络来表示有遮挡情况下脸部不同部分的权重分布,并通过梯度下降优化算法得到遮挡情况下脸部不同部分特征的权重值。实验表明针对遮挡情况下的人脸相比Face Net,识别性能也有所提升。结合所研成果,设计并且实现了一个人脸识别系统。把人脸编码网络、偏移网络、权重网络统一到一个网络架构Uni Net中,用一个模型同时做到了识别正脸、姿态脸和遮挡脸的功能。同时,通过运用各种优化技术,对网络的训练过程进行优化。实验证明,在相同的测试集上（尤其是含有多姿态人脸数据,以及带有墨镜、帽子、口罩等遮挡的人脸数据集）,相比于人脸识别模型Face Net在识别精度有四个百分点的提升,相比于更早一些的人脸识别模型VGG16等,获得的提升更明显。