随着社会的进步和科技的飞速发展,人脸识别已经广泛应用于日常生活。但是人脸识别系统大多是基于多样本训练的,即每个人有足够的样本作为训练,以便为训练过程提供了丰富的特征信息去应对测试数据的变化。然而存在着一些特殊场景,如法律实施、身份证验证和护照验证等往往只能得到一张训练图像,训练时可用的信息非常有限,导致识别阶段效果不如人意,衍生出单样本人脸识别问题。现阶段单样本人脸识别仍然面临着诸多问题和挑战,一方面,传统的单样本人脸识别方法往往忽略了探索更具有鉴别性的特征,而现阶段基于深度学习的方法也未见很好地运用于单样本人脸识别问题;另一方面,标准样本集的先验信息往往被忽略,大多数情况下只用于识别阶段,未能有效地在训练阶段被利用。为了更好的解决这些问题,在单样本人脸识别研究现状的基础上,本毕业论文重点在两个方向上对该课题展开研究。首先,在人脸特征提取阶段,为了得到更具鉴别性的特征,本毕业论文提出一个基于深度学习的区域联合自适应卷积网络。该网络在深度学习具备良好特征提取性能的基础上,通过在网络内部将特征图密集采样分块,将人脸的局部信息进行深度挖掘,并将所有的局部特征联合生成全局特征,从而充分挖掘了人脸图像的鉴别性特征。接着在特征提取基础上,进一步提出类级联合表示分类框架,进而挖掘不同人脸特征的特异性和类级共性,完成最终分类,充分利用了对各种人脸变化鲁棒的鉴别性人脸特征和对一般人脸变化具有作用的分类表示方法。实验结果表明,对比与当前一些先进的单样本识别方法,该框架能够得到表征性更强的特征并能得到更高的识别精度。另一方面,在单样本人脸识别问题上,为了将标准样本信息加入训练阶段提高特征的自适应性,本毕业论文分别尝试用两种方法添加标准样本的先验信息。首先,利用不同人脸变化的相似性,基于额外训练集中与标准样本最相似的样本变化扩增标准样本;进一步的,利用近年来大放异彩的生成对抗网络来得到多变的样本,并尽量保持样本身份信息。另外,根据人脸变化的相似性,利用权重嵌入的方式将标准样本的信息注入到网络训练过程中,借用网络强大的表示能力自适应的调整特征生成,较为合理的将标准样本信息注入,这使得网络得到的特征将会随着权重的合理变化而更适应与当前标准样本库,并利用注意力机制重新分配分块区域的权重。实验结果表明,提出的利用样本扩增的方式引入信息在一定程度上可以提升性能,而提出的权重嵌入隐式引入标准样本信息的方式表现出良好的性能,特别是在更复杂、更困难的数据库中提升效果显著。总之,本毕业论文通过对单样本识别任务的分析,在人脸特征提取和识别阶段分别针对性地提出区域自适应卷积网络和类级联合表示的分类方法,并在该基础上引入标准样本集的先验信息,加强特征的适应性,实验结果表明我们的方法具备更好的鲁棒性。