人脸识别技术已广泛应用于各个领域。与传统手工提取人脸特征方式相比,基于深度学习的人脸识别方法能够通过多层级联的卷积神经网络提取更具表达能力的人脸特征,具备更高效、更准确的人脸识别能力。基于深度学习的人脸识别过程主要包括人脸检测与人脸特征识别两个阶段。人脸检测用于在图像中定位人脸,以从中提取人脸信息;人脸识别比对人脸特征提取的结果,判断人脸所属个体。在众多的图像检测方法和图像识别方法中,如何对模型进行分类选择,以适应多场景下的人脸识别,是人脸识别技术所面临的重要问题之一。为此,提出一种通过前置导向分类网络确定最终人脸识别模型的方法,根据图像信息选择适用的模型。该前置导向分类网络以残差网络为基础,在原有结构上,将第一层网络中的大尺寸卷积核变为多个小尺寸卷积核以减少参数,并改进激活函数,以提升模型拟合能力。此外,将通道注意力机制引入前置导向分类网络,以提高网络分类的准确性。在人脸检测方面,针对当前过滤算法得到的检测框精度不足问题,提出一种基于图像变换策略及加权检测框融合技术的检测框生成方法。此方法在单个人脸检测模型基础上,通过改变图像的局部亮度和呈现角度,获得多个人脸检测框,并采用加权检测框融合技术生成最终的检测框。综合上述两种改进方案,提出了一种基于前置导向分类网络和加权检测框融合的人脸识别方法,并根据此方法设计实现了一套门禁系统。在公开数据集上对上述改进方案进行实验,实验结果表明,与不使用前置导向分类网络的人脸识别方法相比,使用前置导向分类网络在识别准确率方面具有2%左右的提升,所提出的检测框生成方法能够提升0.4%左右的人脸识别结果准确率,最终整体人脸识别方法识别准确率达到98.94%,验证研究具有理论和应用价值。