人脸识别,特别是深度学习和海量数据下的人脸识别,作为一种可靠的身份验证技术,近年来引起了国内外学者广泛地关注与研究。人脸识别在安保、金融、电子政务等多个领域都有广泛的应用,在保障人们安全的同时,带给人们更加方便快捷的生活,所以提高人脸识别性能不仅对理论研究具有重大意义,还具有重要的实际应用价值。近年来随着深度学习的不断发展以及大数据时代的到来,人脸识别算法在精度得到了大幅度的提升,并且逐渐从研究领域走向应用领域。然而,目前人脸识别依然存在很大的挑战,特别是在非限制性条件下进行人脸认证时,同一个人的类内差距受姿态、光照、表情、遮挡等外界干扰影响比较大,人脸类间差距相较于类内差距不明显,即存在人脸模式的多变性问题。针对上述问题,本论文基于识别精度较高的深度学习方法,围绕人脸认证中特征提取和特征相似度度量两个关键技术展开研究,提出利用贝叶斯卷积神经网络解决非限制性条件下的人脸模式多变性识别问题。具体关键技术研究如下:在人脸特征提取技术上,利用卷积神经网络算法进行人脸视觉图像的深度特征表达,尽量使得同一个人的不同图片所提取到的特征尽可能相似,而不同人的人脸图片所提取到的特征尽可能不同。本论文利用深度学习框架Caffe设计出一个深度网络结构,提出目标函数和模型学习策略,结合人脸训练数据训练出三个收敛的人脸识别模型;接下来在这三个收敛的人脸识别模型中,进行模型选择,得到较优模型M₃。实验结果表明,本论文提出的特征提取模型M₃对人脸的识别准确率远远高于传统手工设计的特征描述因子,且具有更大的普适性和鲁棒性,无论是在深度特征学习算法中还是传统浅层特征学习算法中,都能够取得较高的准确率。在人脸特征相似度度量技术上,本论文对传统的贝叶斯度量算法进行线性加权空间变换,提出新的相似度度量准则,避免了人脸特征匹配中阈值选择困难的问题;然后利用改进的贝叶斯度量学习算法训练出贝叶斯度量模型,实现类内差距缩小化和类间差距扩大化,有效区分出多变模式下的相似人脸和非相似人脸;实验结果表明,本论文提出的相似度度量算法,能够有效抑制人脸的类内变化,同时扩大类间间距,使得类内和类间的差距更加明显,显著地提高了人脸认证的分类性能。根据本论文提出的特征提取算法和贝叶斯度量学习算法,分别训练出人脸识别模型和贝叶斯度量模型,接着将两个模型有效组合成人脸认证模型FaceIdeNet,用来解决非限制性条件下的人脸认证问题。实验结果表明,本论文设计的FaceIdeNet模型相比于传统人脸认证模型具有更高的准确率;而与其他深度学习模型对比,FaceIdeNet模型能够以较少的训练数据和单一网络模型取得较高的准确率,具有一定的实用价值。最后,基于本论文提出的多项人脸识别关键技术,我们设计并实现一个基于Web的在线人脸认证和搜索系统,测试结果表明:该系统在非限制性条件下对于变化较大的人脸认证问题,其识别率具有较好的鲁棒性,可应用于考勤门禁、身份认证、罪犯查询等人脸比对与搜索场景。