近几年,随着人工智能的不断发展,人脸识别技术已经成为计算机视觉研究领域的热点问题,并且在现实生活中被广泛应用于各个领域,如国防安全、企业签到、金融商业等领域。但是,人脸识别技术依旧面临着亟待解决的两个难题:一是人脸识别准确性受环境、光照、面部遮挡物以及人的年龄变化等影响较大;二是当面对海量人脸图像时,训练效率低,识别速度慢。本文基于残差神经网络进行人脸识别,残差神经网络在人脸识别方面比传统算法拥有更好的识别效果。首先对残差卷积网络进行了详细研究,并在此基础上提出了改进方案,针对残差网络的激活函数在网络深度加深时易出现梯度消失及学习率设置局限等问题,通过在激活函数层之前引入批量归一化(BN)层来解决,同时可以加快网络收敛速度;将Softmax损失函数优化为A-Softmax损失函数,提高人脸识别准确率。在提高人脸识别率的同时,通过对Spark分布式并行计算框架的研究分析,采用基于弹性分布式数据集等技术方法,结合改进型残差网络进行并行模型训练和人脸识别,设计实现了对大数据量人脸图像数据的快速分析和处理。论文在最后根据改进后的人脸识别算法进行实验模拟,在LFW人脸数据集中可以获得99%以上的准确率,将该结果与其他卷积神经网络模型的识别率进行对比,验证了改进算法的优越表现。同时搭建Spark集群,并行化训练网络模型,采用分布式环境进行人脸识别,与单机环境下所消耗的时间进行对比,可以得出随着集群规模的增大,无论是训练时间还是识别效率都大大提升。