随着我国经济的发展科学技术的进步,人工智能与模式识别现在已经成为我们当今社会的主要研究方向之一。基于Android端的移动设备也随着科学技术的发展迎来了属于它的高光时刻。很多应用已经涉及到人类的个人信息、个人隐私以及个人财产。因此移动设备的信息安全已经成为一个急需解决的社会难题。人脸识别作为一种有效的身份识别手段经过近年来的快速发展已经成为一种比较成熟的技术。人脸识别技术的核心目标之一就是为了解决人脸图像在使用相关设备获取图像的过程中所产生的不确定性以及人脸图像模式的多样性和人脸图像识别过程中人脸图像数据样本的不足等问题,比如人脸数据的小样本问题。本文主要针对上面存在的问题,进行了相关的研究。在人脸识别过程中,人脸信息的获取与处理等操作依然存在着许多影响识别效果的因素。太阳的光照方向和光照强度会在获取人脸图像的过程中产生一定的影响;个人所留胡须的长度,所带的眼镜样式,不同时期的发型以及在实际采集图像的过程中人为的遮挡也会有影响。在实际应用场景下,训练人脸模型的数据量过少、人脸图像易被照片或视频破解产生行为欺骗等。正是因为在实际过程中存在影响人脸图像识别的准确度和一些影响人脸识别安全因素的存在,所以人脸识别技术仍有很长的路需要走,有许多重要性的难题需要我们逐一去完善和解决。本文将借助于分析人脸图像识别方法的原理和相关算法的结构特点,通过人脸图像的预处理、卷积神经网络算法和基于迁移学习的人脸图像算法等一系列方法来提出相关的解决办法。采用预处理的方法可以解决人脸图像获取中的不确定问题。当我们在进行人脸图像采集时现实生活中的强光、物体遮挡、弱光以及阴影等一系列光照变化的因素会给人脸图像的识别带来非常大的干扰,因此在实际过程中我们需要采用预处理的方法来调整人脸图像,调整后的人脸图像在图像分辨率、图片大小规格等数据方面保持着一贯性,在一定程度上可以得到更好的图像识别效果。采用卷积神经网络等方法对处理人脸的表情姿态以及人脸信号噪声有不错的成绩。卷积神经网络模仿的是人类大脑的一种生物神经网络,它具有和某些生物一样的网络自我学习能力,在一些特定的功能上模仿了生物网络的感知特性。并且卷积神经网络能够有效的区分复杂网络分类的边界,具备多任务处理能力,其处理的分类结果快达到理想的图像分类器标准。迁移学习是深度学习方法里面的一个重要分支,它能在一定程度上很好的解决卷积神经网络模型算法不能解决的问题,例如小样本人脸数据不能使神经网络收敛以及人脸数据样本不足等问题。其主要方法是通过已存在的知识网络来解决不同数据样本但属于相关识别领域的问题。此外迁移学习相对于卷积神经网络可以节省大量的时间和金钱资本,可以为我们带来极大的经济效益。本文研究的主要内容是不同的人脸识别方法在人脸图像的预处理领域以及在卷积神经网络算法模型和迁移学习领域的人脸图像识别效果,通过改进的人脸图像识别算法和一些已经成熟的人脸图像算法进行相关的对比实验,开发一款基于Android平台的人脸识别系统,包含人脸图像的注册、登录以及硬件端树莓派的开锁等功能,实验结果表明通过迁移学习训练所得出来的模型其参数较少,精确度较高,能提升门禁系统的图像识别效率。系统对设备要求低,实用性较强。本文对文中提到的方法进行了相关的实验,对实验结果进行了相关的分析与总结。根据实验结果对未来人脸识别技术的发展方向进行了预测与展望。