生物识别技术已经和人类生活紧紧的联系在一起,成为了个人身份认证的重要技术手段。相对于其他生物特征识别技术,人脸识别给人一种最直观,简单,便捷的认证方式,在信息安全领域有着广泛的应用前景。但是,现有的机器学习方法,大多都是采用浅层的网络结构(传统神经网络,SVM等),在针对人脸面部复杂多变的情况下,浅层神经网络难以准确表示特征之间的联系,同时在实际情况中,训练样本的不足容易使整个网络模型训练的不够充分,不能很好地表达输入输出之间的关系,从而导致训练失败。因此,本文采用基于深度学习的人脸识别系统,针对在实际情况中人脸训练样本的不足、过多的训练参数和算法本身的劣势等情况,设计出基于深度信念网络(DBN)、卷积神经网络(CNN)和卷积神经网络和受限玻尔兹曼机的人脸识别模型。采用对人脸进行各区域分割,缩放等操作增加训练样本数目,同时利用卷积神经网络模型,对图像进行卷积,池化等操作大大减少了训练参数,最后通过受限玻尔兹曼机的映射能力,实现对测试样本的分类。通过研究国内外的相关论文,对深度学习的算法有着更加清晰的了解,介绍了浅层学习的模型和算法,接着阐述了深度学习中的关键模型和基本算法原理。运用深度学习到人脸识别领域,是一项新的挑战和发展机遇。论文的研究内容和具体工作如下:(1)在基于深度信念网络的人脸识别系统中,针对以往深度信念网络模型只有较少隐层,识别率和泛化能力较弱等问题,提出了3个隐层的深度信念网络模型。对人脸图像预处理后,人脸经过3个隐层的特征提取,在高阶隐层完成特征融合,最终利用softmax分类器实现分类。该方法通过增加隐层数量,增强了高阶特征的提取能力。最后实验表明本文提出的模型在ORL人脸库中取得了较好的实验效果。(2)在基于卷积神经网络的人脸识别系统中。在针对数据库样本数量偏少的情况下,利用卷积神经网络对位移、形变、缩放具有较高的鲁棒性,在图像预处理过程中,提出了切分人脸关键区域特征增加训练样本数量的方法并设计和优化了网络模型,确定最优网络模型中的卷积核尺寸和池化方法,最后利用softmax完成分类。实验表明本文提出的算法和网络模型在LFW人脸数据库中,取得了良好的实验效果。(3)在基于卷积神经网络和受限波尔兹曼机的人脸识别系统中。提出了利用卷积神经网络实现对输入的特征提取和降维,最后利用受限玻尔兹曼机完成分类的识别算法模型。实验表明本文的模型在ORL和LFW人脸库相比于深度信念网络模型和卷积神经网络模型有着更好的识别率。