为了保障广大人民群众的安全,越来越多的监控设备被部署于公共场所。传统视频设备一般采用人工监控,费时耗力且易产生错漏。随着人工智能的发展,人们开始使用机器学习技术代替人工监控,人脸识别（Face Recognition,FR）就是代表技术之一。人脸识别主要分为人脸检测与人脸识别两个模块,首先对图像进行人脸检测,然后将检测到的人脸与已知数据库中的人脸进行对比来识别其身份。目前,人脸识别以其方便、快捷、准确的特点广泛应用于日常生活,也逐步应用于需要实时监控的摄像系统中。然而,监控设备如实时高精度的人脸识别,需要上位监控服务单元的强大算力,特别当同时处理上千路的视频信号时,算力需求非常巨大。因此,急切需要设计一种轻量级的人脸检测与识别系统,以保证摄像设备的实时监控需求,同时具有足够的识别精度。本文基于深度学习方法,针对人脸检测与人脸识别两个模块的轻量化工作展开研究,设计了一套基于视频监控的人脸识别系统,主要研究工作如下:1.基于视频监控的人脸检测算法研究。针对人脸检测算法的实时性要求,以轻量级目标检测算法YOLOv5s作为基线算法,该算法运行速度快,但检测精度较常规算法仍有差距。为解决轻量级算法训练参数较少而导致精确度降低的问题,我们采用超参数卷积来强化常规卷积结构,在不增加推理参数的前提下增加了训练参数,进而提高模型精确度;此外,针对监控摄像设备常常出现的大人流量等复杂场景,我们改进了预测框检测函数,提升了预测框回归精度,有效提高了其精确度。实验表明,本文提出的改进算法在Wider Face数据集上检测精度取得了一定提升,证实了本文算法的有效性。2.基于视频监控的人脸识别算法研究。针对人脸识别算法的实时性要求,以轻量级人脸识别算法Mobile Face Net作为基线算法,该算法运行速度较快,但精确度也有提升空间。针对基线算法PRe LU激活函数特性不够丰富的特点,我们使用h-swish激活函数代替PRe LU,进一步提升其精度;为了进一步提高网络对特征的表征能力,我们采用注意力机制（Attention Mechanism,AM）模块,提升模型对通道特征的敏感性来提高精确度。在LFW、CFP-FP和Age DB-30三个数据集上的实验结果表明,本文提出的方法在保证推理速度的同时,能够有效提高Mobile Face Net网络的精确度。3.在本文提出的人脸检测与识别模型的基础上,我们设计并实现了一个可实时对监控视频进行人脸识别的软件。通过在Chokepoint数据集上的实验证明,此软件系统能够取代人工监控方式,实时监控摄像设备中出现的目标人物。