随着物联网及计算机视觉技术的发展,视频监控系统在公共安全等场景中有着广泛的应用。在诸多视频监控应用场景中,利用置乱算法对人脸进行隐藏能有效避免视觉隐私发生泄露,与此同时,对人脸的生物识别验证也需要在置乱域中进行。而置乱图像具有混沌性,多样性以及冗余性等特点,这些将会使置乱人脸不再具有可用性。总之,在置乱域进行人脸识别具有十足的挑战。本文利用统计流形对置乱域人脸识别问题进行抽象定义,并提出级联信息瓶颈框架作为计算模型。最后利用变分近似法对计算模型进行分治求解得到变分级联信息瓶颈网络。主要工作包括:1.利用人脸统计流形假设,构建置乱域人脸识别的级联处理过程。级联处理过程由参数约简过程以及模式调整过程串联而成。在参数约简过程中,从置乱人脸流形出发,利用混沌同胚性与信息单调性,设计粗粒度统计量构建参数约简流形。在模式调整过程中,从参数约简流形出发,引入监督信息与可用性约束,以特征模式流形作为理想目标构建模式调整流形。整体以概率分布间的散度为基础构建级联处理过程的目标函数。2.为了避免散度的不对称造成难以统一求解目标函数,引入互信息等效替换散度,利用信息流图构建级联信息瓶颈模型(Cascade Information Bottleneck,CIB)。利用分治法对CIB进行拆分。一方面从信息论出发,设计压缩信息流图,以互信息为度量得到参数约简信息瓶颈;另一方面,在率失真下转换可用性约束,构造出模式调整信息瓶颈。整体以互信息为距离度量构建CIB的目标函数。3.应用变分推断,将信息瓶颈近似为深度学习模型。利用无监督的变分近似将参数约简信息瓶颈近似为-变分自动编码器,而接着利用有监督变分近似将模式调整信息瓶颈近似为多层感知器神经网络。在一定的变分误差下,两者可以统称为变分级联信息瓶颈网络模型(Variational Cascading Information Bottleneck,VCIBNet)。本文首先在MNIST手写数据集上对模型超参进行讨论,并在ORL,CMU-PIE和PubFig三个人脸数据集上纵向分析了VCIBNet对多种置乱的鲁棒性,横向上与多种方法进行性能对比。实验证明,VCIBNet相对于现有方法在识别上具有显著性能提升。