视频处理一直是计算机视觉领域活跃的研究方向。其中,基于视频的人脸识别在该领域引起了广泛关注。视频比图像多了一个时间维度,且对人脸识别有以下不利因素:模糊、遮挡、光线变化,甚至是镜头远近的影响,这导致个别视频帧质量过于低下。且由于人脸视频较长,前几帧与后几帧的面部姿态、面部大小等变化较大,往往生成不利于特征提取及融合的噪声。如何从视频中提取利于预测的特征表示尤为重要。当视频序列长度较短时,多尺度特征提取网络的设计能够高效地提取每个帧的人脸局部细节特征,本文提出的帧结构感知聚合网络则对该特征进行特征融合,最终得到人脸视频序列的整体特征表示并进行识别。针对过于冗长的视频序列,本文方法将视频序列进行分段,结合提出的多头卷积注意力模块提取并融合长视频的特征,以去除冗余噪声。分段损失的设计能够加快网络的训练速度并提高模型抗干扰的能力。本文研究了结合帧结构处理、多尺度特征提取及注意力机制的视频人脸识别技术,主要研究工作如下:（1）针对短序列且帧质量较差的人脸视频序列,提出了多尺度特征提取网络和帧结构感知聚合模块旨在构建一个整体的视频帧特征表示并进行识别。首先,利用多尺度特征提取网络提取视频帧的特征表示,随后训练特征融合网络并赋予每个视频帧特征表示的对应权重来达到对帧进行重要性评估的目的,同时结合帧间关系的挖掘对上下文信息进行有效建模。与传统的挑选关键帧进行识别的方法相比,本文方法能够更高效地利用各个视频帧的特征及其空间结构信息;在两个公开的视频人脸识别数据集IJB-A及YTF上的实验结果表明,本方案在视频人脸识别的效果上与最优的对比模型相比分别有着0.25%及0.6%的提升。（2）针对过于冗长、低质帧较多的人脸视频序列,提出了基于分段策略和多头卷积注意力的视频人脸识别方法。首先,采用分段策略对视频进行映射,并进行特征、位置嵌入,以避免序列跨度较长而引起的面部变化对特征提取的影响;接着,利用卷积神经网络结合Transformer编码器设计了多头卷积注意力模块,使本文提出的分段视频人脸编码器能有效地提取视频帧的上下文信息并进行特征融合;最后,构造了分段损失函数,以减小低质量帧对模型识别准确率的影响,提高模型处理冗长视频序列的能力。在两个公开的视频人脸识别数据集IJB-A及YTF上的实验结果表明,本方案的识别准确率分别比目前主流的视频人脸识别模型要高出0.47%-2.87%及1.26%-1.42%。