人脸识别作为计算机视觉领域的一个重要课题,在公共安全、民事经济以及生活娱乐等领域具有十分广泛的应用。目前主流的人脸识别算法对于单一或同源场景下的人脸识别已有较好的解决方案,并且在一部分公开数据集上的评测结果已经达到了超越人类的水平。然而,在实际应用中,复杂的背景变化依然使得人脸识别面临着许多难关。表情姿态的变化、背景环境的干扰、穿着装饰的遮挡、人物移动或抓拍设备自身因素带来的图像模糊等常常会导致识别精度明显下降,在解决人脸识别多场景适应的问题上,仍有可继续研究和探索的空间。本毕设基于迁移学习提出了一种高效的领域自适应人脸识别算法,并设计了具有重要实用价值的轻量级网络用于训练和部署。通过多任务学习的训练方式,网络能更高效的吸收多个不同数据域的人脸图片,也能更好的利用隐含在多个任务分支中的特定领域信息来提升模型的泛化能力。同时,本毕设还设计了一种参数自适应的损失函数,优化目标可根据训练样本的分布特点自动调整超参数,帮助网络在训练的不同阶段动态改变约束的强度,从而进一步提升模型的识别准确率。在此基础上,本毕设还通过引入多核最大均值误差和对抗网络技术,从特征分布和域混淆两方面减小样本的域间分布差异,优化人脸特征的域不变性,使得模型对多源场景具有更强的鲁棒性。最后,本毕设通过设计科学合理的实验,验证了各功能模块的有效性。本文算法在多个场景的测试数据集上均取得了较高的性能。