人脸识别技术是生物识别领域的一个重要的分支,具有广泛的应用场景。它利用人体本身的生物特征或行为特征来进行身份的确认,拥有良好的优点,在国家公共安全、社会安全到金融安全以及人机交互等领域具有很高的应用价值。由于人脸识别技术受各种环境因素的干扰,不能较好的提取特征,无法满足现场应用的实时性要求,而深度学习具有较好的泛化性能和表达能力,作为机器学习的一个新兴领域备受研究人员关注,越来越多的科研人员把深度学习应用到人脸识别领域。因此把深度学习应用到人脸识别领域,研究人脸识别具有重要意义。本文主要从深度网络提取人脸特征进行探索和研究,设计了两种在LeNet-5网络的基础上改进的模型。具体研究内容如下:(1)为解决LeNet-5网络不能较好的提取人脸特征的问题,通过在网络设计中增加级联原LeNet-5卷积神经网络层,并将网络中5×5的卷积核分解成两个低维的卷积3×3,既可以使网络深度进一步增加,提取更深层次的特征信息,又可以提升了网络性能,提高识别能力。(2)在上述改进的神经网络模型的基础上,分别设计了具有7层卷积层和14层卷积层两种结构的模型,对比不同的卷积深度对模型性能的影响。为减少模型的训练时间,使网络快速收敛,提升网络性能,在两种不同深度的网络模型基础上比较ReLU、Tanh、Sigmoid三种激活函数对模型的性能,由于激活函数的功能是在神经网络引入非线性元素,使神经网络可以完成非线性映射,如果不使用激活函数,无论神经网络有多少层,输出都只是输入的线性组合,因此激活函数对网络非线性化能力有及其重要的影响。(3)为解决神经网络训练中过拟合问题,从上述训练的网络模型中,选取性能最优的模型,在网络中引入Dropout技术,使网络稀疏化,以此来提高网络模型的泛化能力,进一步使模型更加抽象,使提取的特征更加具有区分性,为此比较了Dropout分别为0.3、0.5、0.8时三个不同参数对网络性能的影响。