人脸检测和识别技术一直以来都是计算机视觉领域的一个重要研究方向。近几年来,随着计算机视觉领域相关技术的快速发展,特别是深度学习技术的广泛应用,人脸检测和识别获得了越来越多关注。人脸检测作为人脸识别之前的重要步骤,其检测速度和准确度能够影响到整个识别流程的性能。在约束条件下,现存的很多人脸识别算法已经能够在准确度上达到人眼识别的精度。然而在非可控条件下,由于采集设备和采集者自身的因素,人脸图像中往往存在着各种复杂干扰,用于约束条件下的人脸识别技术已经无法满足现实应用的需求。为此,设计一种对复杂干扰鲁棒的识别技术就变得相当重要。本文针对人脸检测和识别中存在的问题进行研究,提出一个高性能的人脸检测和识别算法,主要内容如下:1.对卷积神经网络的结构和理论基础进行总结。介绍了网络中各层的计算方法以及反向传播算法。之后对ReLU单元,Dropout,批度归一化等深度学习中常用的关键技术进行阐述,作为后面章节的理论基础。2.研究基于YOLO目标检测模型的人脸检测算法。利用卷积神经网络对人脸目标的置信度和位置信息进行预测,并对模型中的网络结构进行改进,用深度可分离卷积代替传统的卷积单元,实现在加深网络深度的同时网络参数规模减小,在提高人脸检测速度的同时不损失检测准确度。3.研究基于深度卷积神经网络的特征提取方法。提出针对复杂条件下的人脸图像特征提取的网络结构,用人脸验证任务作为目标对网络参数进行优化。之后用实验证明,使用该特征进行相似性度量时,比传统的人工设计特征具有更好的鲁棒性并能更好地对人脸进行表达。4.研究基于高斯混合模型的特征匹配算法。利用高斯混合模型对人脸图像子区域进行隐式的建模,在更加细粒度上对人脸图像进行验证。高斯混合模型的训练是无监督的,并且不需要数据的标注信息,因此可以节约训练成本。之后对于相匹配的人脸子块上的特征使用联合贝叶斯算法进行相似性度量,能够在很大程度上减轻姿态,表情等高度非线性的变化对识别结果的影响,提升识别的准确度。