随着平安城市的建设和发展，我国各地已经建立了强大的视频监控网络系统。在视频监控中能够快速、准确的确定行入的身份信息是监控网络智能化的关键因素。对目标库中仅存有一幅身份证件照的安防监控系统，需要识别出出现在视频监控系统中的目标行人，则存在诸多不可控因素，如行人多姿态、多表情的变化，单样本、多表情、多姿态、多变化环境导致了该情况下的人脸识别成为一大挑战。针对这个问题，本文提出了一种针对单样本多姿态、多表情的人检识别算法，采用VGGNet网络模型获取人脸图像的深度特征，构建多置信度统计判据实现人脸识别。　　本文选用VGGNet获得人脸的深度学习特征，该特征可以很好的表征多表情的人脸图像，在人脸姿态水平深度翻转(Yaw)±30°的小姿态变化范围内具有很好的鲁棒性。　　由于本文所针对的问题是视频监控中的人脸识别，因此其姿态的变化通常会超过±30°。考虑到视频监控中同一个人姿态变化平滑、渐进的特性，提出了多置信度统计判据的单样本人脸识别方法。算法的思想是首先将待识别样本库划分为不同姿态等级集合(15°，30°，45°，60°和其他更大姿态变化);然后利用单样本库对待识别样本库中的15°姿态集合进行识别预测，并将识别预测后的样本扩充到单样本库中作为种子样本集;然后再利用这些种子样本对30°姿态集合进行识别预测，计算置信度，并将高置信度的样本更新种子样本集;同理在45°，60°姿态集合中更新种子样本集，从而利用相邻级别姿态集合间的较小角度差异及高相似性特点来逐步、递进地扩充种子样本集;最后利用获得的种子样本集构建分类模型，对姿态集合中剩余的非种子样本和其他更大姿态变化样本集进行识别预测，完成人脸识别。最后，加入视频跟踪校验，纠正错检目标，降低了误捡率。　　在多姿态人脸数据集和视频监控实用场景下进行了人脸识别实验分析，验证了算法的有效性。