人工神经网络是基于生物学中的神经网络的基本原理,以网络拓扑知识为基础,模拟人脑的神经系统对外界的信息处理机制的一种数学模型。虽然人工神经网络的研究在上世纪末,经历了一番快速发展,但是由于当时的各种条件限制而陷入了低谷。随着计算机技术的快速发展,尤其是硬件中的GPU性能的快速提升,以深度学习为代表的新的人工智能模型在众多领域有着优异的表现,迅速成为研究热点。在无人驾驶,图像识别,自然语言处理,语音识别等领域,深度学习技术有着十分广泛的应用。卷积神经网络是深度学习技术中的一个典型代表,在图像识别,目标检测等领域中有着引人瞩目的表现。卷积神经网络是一种特别的深度学习模型,包含卷积层,池化层。由于其采用了局部连接,权值共享和子采样等一系列操作,大大减少了需要训练的权值参数,因此卷积神经网络能够在层数很多的情况下,使网络有着很高的鲁棒性,有效的抑制过拟合的问题。并且卷积神经网络具有平移,放缩不变性等许多优点。在众多卷积神经网络模型中,残差神经网络(Residual Network,ResNet)极具代表性。残差网络在输入层与输出层之间使用了跳跃连接,有效的抑制了梯度消失的问题。因为跳跃连接的作用,梯度信息可以更加有效的从后面的网络层向浅层网络传递。然而跳跃连接使得整个网络过分强调最初的网络输入信息,减少了提取信息的多样性。针对这个问题,本文提出了一种新的残差网络——稀疏残差神经网络(Sparse Residual Network,SRN),它依赖于一种新的连接方式——稀疏连接,该链接方式使得更多的输入层与输出层相连接,丰富了网络的特征提取,能够有效的解决上述的问题。实验表明SRN取得了显著的效果,并且在CIFAR-10和CIFAR-100这两个数据集中的表现优于ResNet。人脸识别一直都是计算机视觉的研究热点,本文将Sparse Residual Network应用于人脸识别之中,作为人脸特征的提取器。并搭建了一个人脸识别系统,包括三个模块:人脸检测,人脸预处理,特征提取和验证。该系统在CASIA-Webface数据集上进行了大量的训练,并在LFW数据集上进行了测试,实验结果表明基于SRN的人脸识别系统,具有较好的识别效果和实时性。