随着计算机网络技术的快速发展,传统身份鉴别方法正面临安全性、防伪性等严峻考验。为确保个人信息的安全,人们把目光转移到了具有良好鉴别力的生物识别技术,其中人脸识别又以其方便、直接等特点而深受青睐。近年来,深度学习研究的深入使得卷积神经网络逐渐成为模式识别、图像处理领域的主流方法。然而,卷积神经网络也有一个明显的缺陷,即网络的训练需要大量的监督数据作为支撑。而在实践中发现,获取大量带标签的数据需要耗费大量资源,相比较而言,无标签数据的获取非常容易。为此,本论文在回顾图像的预处理、人脸特征的提取、人脸聚类和卷积神经网络等原理的基础上,将人脸聚类与卷积神经网络相结合提出了处理半监督数据的人脸识别方法。本论文的主要内容包括:1、借助于分段的Gamma变换提出改进的人脸图像数据预处理方法,该方法有效地改善了光照和图片对比度对后续人脸检测等工作的影响。2、通过人脸聚类处理半监督数据。目前的聚类方法,例如常见的K-means聚类和层次聚类等均难以处理高维、非凸数据。为此,本文将采用基于图论的Chinese Whispers(CW)聚类算法对人脸进行聚类。本文首先引入方向梯度直方图(FHOG)和支持向量机(SVM)实现人脸的正面检测,同时利用集成回归树(Ensemble of Regression Trees)提取人脸的关键特征信息,之后再采用CW算法进行聚类。通过比较,不论在准确率还是在其他聚类评价指标上,CW算法均取得了很好的效果,成功地将半监督数据转化为了监督数据。3、通过卷积神经网络实现人脸识别。本文设计三个不同复杂程度的卷积神经网络模型,利用聚类后的数据以及ReLU激活函数与不同池化标准的组合来训练模型,分析不同结构对网络识别能力的影响。然后,将dropout技术应用到网络中,以提高其泛化能力,通过对比分析得出加入dropout项的网络性能更佳。