近年来,随着计算机视觉领域技术的不断突破,物体检测及目标识别准确率得到跨越式提升。人脸识别是计算机视觉领域重要研究方向之一,被广泛应用于移动支付、平安城市、刑事侦查等领域。传统的人脸识别方法需要手工提取人脸图像特征,提取到的特征受主观因素的影响较大,并且费时费力。除此之外,人脸图像易受光照、表情、遮挡物、姿态等因素的影响,这些因素极大地增加了识别的难度,传统的人脸识别方法受到了巨大挑战。深度学习作为目前计算机视觉领域最重要的技术手段,相比于传统的人脸识别方法能够提取出人脸图像更本质的特征,且不需要手工参与。深度信念网络和卷积神经网络是深度学习中常用的两种网络,基于这两种网络,本文主要做了以下工作:1、针对人脸识别中识别效果易受光照、姿态等因素影响的问题,提出一种Gabor小波与深度信念网络结合的人脸识别方法。通过分析隐藏层的数量、隐藏层节点的数量对识别性能的影响,选取最合适的DBN参数。实验分析表明,基于Gabor小波与深度信念网络的人脸识别方法克服了DBN忽略局部特征的缺点,不仅能够有效地提取人脸图像的抽象特征,而且对光照、姿态等变化具有很好的鲁棒性。2、针对Le Net-5网络不能较全面地提取人脸特征的问题,设计了一种在Le Net-5网络的基础上改进的卷积神经网络,改进后的网络利用两个子卷积神经网络提取不同粒度的人脸特征。实验结果表明,改进的卷积神经网络能够提取更全面的抽象特征,具有良好的识别性能。3、针对VGG-16网络参数过多、计算效率低等问题,提出了一种改进的VGG-16网络。在Face Scrub人脸库和LFW人脸库上的实验结果表明,与原VGG-16网络相比,改进的VGG-16网络大大减少了参数量,降低了对硬件的要求,具有更强大的特征提取能力,识别效果也得到进一步地提升。