人脸识别作为人工智能领域内的重要研究方向,受到了研究者们越来越多的关注,其中基于深度学习的人脸识别技术,将人脸识别从实验室研究阶段发展到日常使用阶段。然而在实际使用中,技术上面临光照强度,表情仪容,面容遮挡等因素的影响,实现上需要兼顾人脸识别的精度与完成速度。围绕上述问题,本学位论文融合深度学习和传统图像处理的方法来提升非受限环境下人脸识别的准确率,通过网络结构小型化和计算框架加速化两个方向来提高人脸检测与识别的速度,设计与完成一款支持相当数据规模的人脸识别系统:自制数据集:通过采集多段亚洲人种跨年龄段、多角度、多姿态的短视频,制作成亚洲人种数据集。该数据集拥有广泛的年龄范围,完备的日常妆容,丰富的人脸表情,符合深度学习标准的使用量级。人脸检测:基于经典人脸检测方法Multi-task Cascaded Convolutional Networks(MTCNN),融合mobilenet网络的核心算法,在自建的数据库上进行迁移学习,得到针对于亚洲人种的人脸检测算法。该算法优化了MTCNN中相应的网络结构,在保证算法检测效果的同时,通过减少网络参数,提升检测的速度。人脸识别:基于主流的人脸识别损失函数,在insightface loss的基础上,设计一种半监督损失函数。在网络训练过程中,采用无标签数据,扩大训练样本,提高了模型泛化能力及其识别效果。系统设计:设计并构建人脸识别系统,将自研算法模型,基于正向传播框架ZQCNN封装成SDK,用C#构建整个系统的业务逻辑和界面显示,验证人脸检测和人脸识别算法在实际场景的有效性。