计算机和信息技术正迅速融入人们的日常生活。由于生物特征具有独特性推动了新兴识别方法的发展,引起了人们的广泛关注,被应用在安防、支付、解锁、案件侦破等领域。虽然人脸识别技术已经取得了很大的成功,但人脸识别技术仍然面临着一些挑战,比如:人脸相似性、人脸姿态、光照、表情、遮挡、年龄变化、成像场景的变化以及种族人脸特征识别等等,最主要的挑战来自于人脸图像数据的收集,小型数据收集过程中所付出的人工代价较少,然而目前大多数关于人脸识别的算法模型都需要大量的样本数据才能表现出最好的性能,但现实情况中很难收集到这样的数据集。一些主流的人脸识别算法很难广泛地应用在现实场景中,首先当训练数据中样本数据有限时模型训练的样本数不足易导致过拟合现象,其次,样本图像具有较高的相似度和复杂的特征结构时,在分类任务中很难区分类内和类间样本距,导致误识别或识别精度不明显等问题,另外一点就是算法的偏差问题,也就是说不同的算法在同一种人脸中的识别精度有所不同,各有各的优缺点。因此,分析不同算法的性能,如何选择最优的识别方法,如何从人脸图像相似度较大的少量多样化的训练样本中提取有效地判别特征,保证人脸识别模型的实时性和算法的鲁棒性,同时在实际应用中起到更有效、安全、可靠的作用是非常具有挑战性的研究问题。针对以上问题,本文做出了以下几个方面的研究:1)考虑到目前缺乏公开的多样化的民族人脸数据集,针对本校的六种不同民族学生人脸图像构成的小样本民族人脸数据库进行了进一步的预处理和完善工作。2)为了更明确的表示本研究的主题思想,先从传统的人脸识别方法展开阐述,如PCA、LDA、LPP以及他们的改进算法2DLDA、2DPCA、2DLPP、RM2DLDA、RM2DLPP等,然后介绍基于PCA+BP、PCA+BP+KL等混合算法的基本理论知识,最后以改进的Lenet-5卷积神经网络为例介绍基于卷积神经网络的人脸识别理论知识。3)采用余弦相似度度量方法分析了同一种民族人脸图像之间的相似度,进行大量的实验验证,小样本民族人脸数据集中同种民族人脸图像的相似度明显高于ORL和Yale等常用的人脸识别数据集中的人脸相似度,得出结论:同种民族人脸图像之间具有较高的相似性,这会加大人脸识别任务的难度,最后提出了RM2DLDA+cos的改进人脸识别算法,该方法有效的提高了小样本民族人脸数据库中的识别精度。4)通过大量的实验比较了已训练好的PCA+BP,PCA+BP+KL等混合算法模型和本研究中重新训练的适应于小样本民族人脸数据库的模型,发现了PCA+BP+KL的算法最适合小样本民族人脸数据库。5)在改进的Lenet-5卷积神经网络的基础上,通过大量的实验调整网络参数,设计了适应于小样本民族人脸图像数据集的简易卷积神经网络模型,网络由两个卷积层,两个池化层,1个全连接层,1个Softmax输出层构成,用Dropout的方法有效的避免了过拟合问题,卷积核大小均为5?5,两个卷积层的卷积核个数为10,用平均池化代替原来的最大池化,每个激励层采用Relu函数代替Sigmoid函数,减少全连接层数,全连接层神经元个数选择170,最后采用Softmax分类函数进行分类,能自动提取人脸特征并进行识别,与传统算法相比,该方法有效的提高了小样本民族人脸数据库中的识别精度。6)所有的实验以Windows10作为测试系统,结合Matlab和Python在Tensorflow框架下完成,为了解决实验过程中卷积神网络模型训练时计算速度过慢的问题,在训练卷积神经网络时采用GPU(GTX1050)显卡代替CPU,实现了快速识别的目标。