在计算机视觉领域,相较于人的指纹、虹膜等特征,人脸能够进行身份匹配且更易获得,因此人脸识别一直是当前研究的热点。近年来,大多数人脸识别算法基于数据驱动表现优异,然而在一些特殊应用场景中采集人脸多张样本是个难题。如在身份证管理系统、刑侦执法系统、护照验证和登记口身份识别等实际场景中,每个人的训练样本只能获得一张（摄像机拍摄的证件照图像）,称这种情况为单训练样本约束。在单样本约束下,当测试人脸图像受到遮挡时,现有的解决遮挡人脸识别的算法也表现不佳,从而产生了单样本部分遮挡人脸识别问题。针对该问题,本文提出一种基于深度学习的单样本部分遮挡人脸识别算法。本文的主要研究内容如下:1.针对训练样本不足的问题,本文采用公开数据集预训练深度神经网络技术路线,设计一种基于残差收缩注意力网络（RSA-Net）的单样本部分遮挡人脸识别方法。针对面部存在遮挡难以判别身份问题,本文将信号处理领域的RSBU-CW去噪模块应用于人脸识别,构造分支为残差收缩网络的孪生网络来自适应地过滤掉由于遮挡破坏掉的特征;为加强网络对图像未被遮挡区域特征的关注,嵌入空间注意力模块从图像空间区域进行加权,提高未被遮挡区域特征的显著性;同时嵌入通道注意力模块通过统计通道层面的数据特征从而对通道层面的重要性进行缩放,使得网络获得更具判别力的面部特征表示。最后,为弥补模型因源域和目标域差异而适应性不足的问题,使用图像镜像以及对称脸等数据增强手段扩充训练样本,将扩充后的样本用来对模型微调。实验结果表明所提出方法是有效的。2.本文基于上述RSA-Net算法设计并开发出单样本部分遮挡人脸识别原型系统。首先对系统进行功能需求分析;其次介绍系统架构设计以及主要业务流程;然后从三个方面对服务端进行设计:主要类功能、对象之间交互的动态模型、系统所使用的数据库表;接着分别设计并实现基于PC和移动设备的客户端;最后编写测试用例对系统进行功能测试,测试结果表明所开发系统已具备原型系统基本功能,具有一定的实用性。