人脸识别作为一种现代生物识别技术近年来已被广泛应用于交通、安保、视频监控、人机交互和网络应用等领域;随着信息科学和技术的进步,人们对于生物特征识别技术提出了更高的要求,传统人脸识别算法已无法应对越来越多变的检测和识别环境。虽然社会上基于人脸的生物特征识别产品已经很多,但大多数都是通过高规格硬件系统和云服务供给客户,进而导致部署费用很高;对识别场景要求不高的客户来说性价比很低。因此研究和开发适合中小型客户使用的人脸识别系统很有必要。论文以研发适合中小型应用场合的人脸识别系统为出发点,从实时人脸检测和人脸特征提取两方面进行深入研究,具体内容如下:针对现有实时人脸检测效率低,硬件要求高的问题,提出了一种基于YOLO（You Only Look Once）目标检测算法改进的轻量型人脸检测方法;由于YOLO系列算法为了最大程度保留目标检测多类别识别的准确度,其网络结构在人脸检测这一单一任务中依然过于复杂,因此本文引入Efficient Net-B0图像分类模型替换原YOLO的主体网络结构,并在此基础上进一步缩减网络层数得到不同的人脸检测网络结构;本文还引入K-means聚类算法在进行人脸检测网络训练前对训练数据进行处理,计算出更适合训练集的参数分布替换YOLO自身的初始参数;新的参数分布可以在模型训练时缩短网络的收敛时间,提高训练效率。实验结果表明,本文设计的实时人脸检测算法相较于其他常用YOLO算法以降低较少识别率为代价而缩短了检测时间,使检测效率大幅度提升;在引入K-means聚类算法后,训练结束时没有出现过拟合情况,相较初始算法能大幅提高模型训练效率。针对当前人脸特征在不同部署环境下易产生变化而导致人脸识别算法识别困难的问题,本文引入Inception Res Net v1网络结构作为基础模型并适当进行改进,设计出一种新型人脸特征提取网络;考虑到三元组损失函数无法应对实时检测场景下的系统要求且对不同人群的区分效果不理想,论文引入Softmax损失函数和中心损失函数对人脸特征提取网络进行联合监督学习,并以此为基础研究了一种基于深度学习的人脸识别方法。实验结果表明,人脸特征提取网络模型在引入联合监督学习后对不同类别人脸的区分性很强,识别率好,且在多人脸遮挡识别情况下鲁棒性较高,可以达到实时性要求。最后,论文整合本文所研究的人脸检测算法与人脸特征提取算法,设计了一套人脸识别系统。该系统界面基于Py QT5进行开发,并在实际应用场景下进行部署验证。实验结果表明,使用本文设计的人脸检测网络结构与人脸特征提取网络模型所开发的人脸识别系统在中小型区域运行时实时性好,检测率和识别精确度高,作为安防系统或实时人流监控系统时具有一定的实际应用价值。