安防一直是人们关注的热点,因为它关系到群众的生命财产安全。安防领域的人脸识别也是计算机视觉研究的重点,因为它是构成许多安防场景应用的基石。然而随着神经网络的发展,网络结构不断拓宽和加深,训练出的模型虽然使识别精度大幅提升,但会消耗大量的内存和计算资源,这使其难以部署在硬件资源受限的移动端。因此,设计轻量级神经网络,得到高性能、低消耗模型是解决人脸识别应用到安防等移动端领域问题的关键。MobileNet是Google针对移动端设备提出的一款轻量级深层神经网络,应用场景包括物体检测、细粒度分类、人脸属性和大规模地理定位等。MobileNet属于深层网络,但相比其他深度神经网络能大幅减少模型参数,提升计算效率,训练出高性能、低消耗的模型。然而MobileNet网络并没有达到最优,其在实际应用中网络的输入输出层仍会产生大量的计算,本文在MobileNet网络的基础上进一步研究,设计轻量级人脸识别神经网络算法并应用于安防领域的人脸性别、年龄分类研究中,促进人脸识别技术应用到移动端。本文所做工作主要体现在以下几个方面:（1）将流行的MobileNet v2网络加以改进,整合为s-MobileNet v2网络,应用到安防领域人脸的性别、年龄分类研究中。（2）本文针对移动端人脸的特点首先缩小MobileNet v2网络层数;其次为解决网络输入输出层存在大量计算操作的问题,在输入层引入h-Relu6函数提升网络效率,缩减输入层通道数量降低网络参数,在输出层将平均池化操作提前,大幅减少输出层的计算量;接着在步长为1的bottleneck块上嵌入SE模块自动优化深层网络参数,提升网络效率;最后为强化特征提取效果,在bottleneck块输出层后加入信息聚合模块,对输出图像进行多维度特征提取。（3）针对人脸性别、年龄不同分类任务,本文结合各自特点分别制作数据集。采用传统图像处理技术对数据集进行增强解决图像获取途径单一的问题,以此提高模型的泛化性,设计不同评价函数和测试集来评估不同任务的实验效果。（4）对本文提出的s-MobileNet v2人脸识别系统进行详细实验,相比于MobileNet v2,本文最终训练出的性别识别模型内存减少48.8%,计算性能提升17%,在不同测试集上准确率平均提升3%;年龄分类平均误差从5.19岁下降至3.1岁。S-MobileNet v2相比于MobileNet v2量级更轻,效率更高。