近年来,人脸识别作为人工智能领域应用最为广泛的方向之一,因其在公共安全保障,便捷支付,疫情防控等实际应用的巨大潜力而备受关注。人脸识别发展的初期基于子空间方法进行特征提取,识别效果较差。在引入深度学习之后,人脸识别的精度得到显著提升,在部分数据集上已经超过了人眼的识别准确率。然而目前高精度人脸识别网络通常建立在重量级卷积神经网络之上,需要占用较大的存储空间和计算资源,因此通常将其部署在服务端,通过将移动端采集的人脸图像传输到服务端进行推理识别,在此过程中极易对公民的信息及隐私安全造成威胁。如果能够在移动端完成图像的推理,仅将推理结果返回到服务端,则能更好地保障隐私安全。在实际中,移动端设备通常受到计算及存储资源的限制,难以直接部署基于重量级卷积的高精度人脸识别网络,因此需要对人脸识别网络进行轻量化,而常规轻量化方法相较于重量级卷积网络会带来一定的精度损失。如何设计兼顾高精度和轻量化的人脸识别网络成为人脸识别领域的关键问题之一。为了应对上述问题,本文针对高精度轻量化人脸识别网络进行研究,主要工作如下:（1）针对人脸识别网络在移动端设备部署时,受到存储空间及计算资源限制的问题,本文基于Ghost模块和参数融合方法提出了改进轻量化人脸识别网络,能够有效减少网络结构对存储及计算资源的需求,同时相较于常规轻量化方法,具有更高的识别精度。首先在训练阶段,本文基于Ghost模块和注意力机制改进常规多尺度结构,对人脸识别框架中的特征提取网络进行轻量化。在模型训练结束后,本文提出使用参数融合的方法将多尺度训练模型转换成推理速度更快、存储占用更小的直线型推理模型。在保持训练模型精度的前提下,进一步降低延迟以及对资源的需求。实验表明,本文提出的改进轻量化人脸识别网络在能够有效降低对存储空间及计算资源的需求,并且相较于常规轻量化方法,在识别精度上有一定的提升。（2）针对轻量化卷积网络与重量级卷积网络之间仍存在一定精度差距的问题,本文基于区分学习的思想,提出使用改进Arcface损失函数对人脸识别网络进行训练,能够进一步提高轻量化网络在人脸识别任务中的识别精度。首先本文提出了决策边界更严格的双裕度Arcface损失。然后基于区分学习的思想对常规Arcface损失进行进一步改进,提出将训练样本区分为简单样本和困难样本。针对困难样本,改进损失函数会使用双裕度Arcface损失进行训练,增加困难样本在训练中的重要性,从而促使网络学习到更具区分性的人脸特征。而针对简单样本,改进损失函数则退化为常规Arcface损失函数,达到区分学习的目的。实验表明,本文提出的基于区分学习改进Arcface相较于实验选取的其他人脸识别损失函数,在测试集的识别精度都有所提升,并对不同损失函数模型的不同指标进行分析,验证了改进Arcface损失的有效性。