人脸识别技术作为生物特征识别领域最具实用的技术之一,一直是诸多研究人员研究重点。近年来,依托于深度学习,人脸识别技术被广泛应用于诸如金融、公共安全等许多领域。本文研究了现阶段的人脸识别模型,在模型调精、代码加速以及人脸重建上做一些探索,并完成了以下的工作。(1)深度学习模型由于其复杂的解空间以及目前优化方式的局限性,很难获取全局最优解。针对这一问题,本文使用DSD训练法以及损失函数Triplet Loss对现有的深度人脸模型进行参数精调。增加模型健壮性的同时取得了更好的人脸识别精度,实验结果表明,两种方法分别在LFW和Megaface上的精度最高提升了1.66%和0.4%。(2)深度学习模型一般依靠CUDA环境进行加速,但是应用原有的代码会遇到诸如内存损耗过多、加速效果远达不到理论效果的问题,因此我们对现有Caffe框架代码进行加速优化。对常用的网络层如BN层、Prelu层进行代码层次的优化,对网络结构深度可分离卷积进行加速。实验结果表明,BN层内存损耗降低二分之一、Prelu层内存损耗降低四分之三以及深度可分离卷积结构运行速度提升五倍以上。(3)针对现有人脸识别方法对光线、图像质量低下敏感问题,我们设计了新型网络X-GAN对送入网络的图像进行重建,从视觉以及模型角度缓解光线以及图像质量低下问题。