随着人类社会的不断发展,人们的社会身份信息显得越来越重要。人脸识别在安保、金融、电子政务等多领域具有广泛应用,提高人脸识别性能对于扩大人脸识别应用领域和实用化具有非常重要的作用。人脸特征的鲁棒性表示、更有鉴别力的特征选择以及具有良好分类能力的分类器设计是提高人脸识别鲁棒性的关键。本文在阐述人脸识别技术、深度学习的相关理论及方法的基础上,沿着深度自编码神经网络、卷积神经网络、人脸识别的路线开展相关研究。论文的研究内容和创新点包括以下几点内容：(1)综述现有的深度学习的研究现状。通过研究国内外的相关文献,对深度学习的现有方法进行剖析,介绍了深度学习的基本模型、原理及相关发展演化。深度学习理论是一个较新的理论,将深度学习的有关技术引入到人脸识别研究中去,将给人脸识别技术带来新的发展机遇。(2)提出基于深度自编码的人脸识别算法。在对图像进行预处理之后,设计了深度自编码网络模型,通过对微调、稀疏性参数、隐藏层节点数和隐藏层层数的优化,确定最佳网络模型,提出基于深度自编码网络的人脸特征提取算法,并使用Softmax分类器对特征进行分类。本文提出算法运用在ORL人脸数据库的大量实验表明,本文算法在人脸识别上取得了比较理想的效果。(3)提出基于深度卷积神经网络的人脸识别算法。首先对图像进行预处理；然后利用线性解码器提取样本的局部统计特征作为卷积核,设计了深度卷积神经网络模型,通过优化样本块的大小、隐藏层节点数量以及池化尺度等参数,得到最优的网络模型；最后利用最优的卷积神经网络提取整幅图像的卷积特征。在ORL人脸数据库中进行的大量实验表明,本文算法与经典的人脸识别算法相比,识别率有所提高。