近些年,人脸识别的发展非常迅猛,许多人脸检测和人脸识别的方法在公开数据集上的表现优异,但在实际复杂场景中,视频或摄像头采集的动态人脸受姿态、侧脸、运动等影响,识别精度不理想。因此本文针对复杂场景下的实时动态人脸识别这一非常有难度的热点问题进行研究,研究出一套可应用性强和可靠性高的实时动态人脸识别系统,该系统可应用于不同场景和需求,对疫情防控、园区门禁、校园安全、金融、安防等多个领域具有重要意义。本文的主要研究内容如下:1)构建针对复杂场景下人脸检测和人脸识别算法的数据集。其中人脸检测数据集包含7000张佩戴口罩的人脸数据和8000张未佩戴口罩的人脸数据,并进行人工分类和标注人脸框;人脸识别数据集包含100000个人的900000张图像,人工对这些图像分类标注。2)研究高精度人脸检测算法,用于动态人脸识别系统的服务端。设计逆残差块和注意力机制相结合的主干网络提取图像人脸特征,利用特征金字塔结构和特征融合提高特征语义表达,通过不同尺度的检测模块完成多尺度人脸检测。该检测算法考虑疫情防控的特殊场景,加入口罩人脸的分类,以满足复杂场景中的口罩人脸检测。将该算法与其他算法在人脸检测数据集中进行对比,该检测算法表现优异,在测试集当中的m AP达到0.98571,在GPU下的检测速度为14FPS。3)研究轻量级实时人脸检测算法,用于动态人脸识别系统的客户端。采用深度可分离卷积代替普通卷积减少模型参数和计算量,并使用人脸中心点代替Anchor机制去除冗余计算,最终模型大小仅为2.14MB。该检测模型m AP为0.9421,在GPU和CPU下的检测速度分别为125FPS和26FPS,在CPU上达到了实时检测。4)研究动态人脸识别算法,对人脸识别数据集进行人脸对齐归一化,人脸识别算法使用Arc Face算法模型在数据集上训练,在与其他算法的对比实验中该算法表现优异。在人脸检测和人脸识别算法的基础上加入了KCF跟踪算法实现复杂动态场景下的人脸识别。5)设计和实现了动态人脸识别系统,整个系统包含多个功能,提供人机交互界面便于用户操作,考虑到特殊场景,该系统也可应用于疫情防控下的动态人脸识别,可满足不同场景下的多样化需求。该系统应用于实际场景中通过了可靠性的测试,系统非常稳定,可以完成实时的动态人脸识别。