随着机计算机视觉与人工智能研究的兴起,其在生活中的应用越来越广泛。人脸识别作为生物特征识别最受关注的一种识别方法,在计算机视觉与人工智能领域成为研究热点之一。深度学习也是近些年来备受关注研究方向,而其中卷积神经网络因为具有局部连接和权值共享的特性,能够对图像深层次的抽象特征进行提取,卷积神经网络在深度学习中占有重要地位。传统的人脸识别技术通过提取人脸浅层特征进行分类识别,浅层特征容易造成人脸信息的损失,泛化能力不足,基于卷积神经网络的人脸识别相比于传统的人脸识别技术,能够提取人脸更深层次的抽象特征,避免了一些传统的人脸识别的问题。本文深入研究了人工神经网络与卷积神经网络,并以经典的LeNet-5模型为基础,构建了卷积神经网络人脸识别模型,本文主要做了以下几方面研究:第一,对人工神经网络和卷积神经网络的基础理论知识进行整理,阐述了神经网络模型与反向传播算法,对卷积神经网络的局部连接、权值共享的特性,激活函数以及卷积神经网络的基本结构进行了叙述。第二,人脸识别中客观因素光照对于识别率有着不可忽视的影响,同时就现实意义来说采集大量人脸图像具有不小困难。针对以上问题,本文提出了结合LBP和数据扩充的CNN人脸识别方法LECNN。该算法采用对光照不敏感的LBP特征脸作为CNN的输入,同时使用生成对抗网络的方法扩充LBP特征脸。仿真实验验证了LECNN的能有效提高CNN人脸识别的准确率。第三,优化算法对于卷积神经网络的训练至关重要,直接关乎训练能否完成以及网络能否收敛。本文分析了卷积神经网络中常用的几种优化算法,重点研究了目前使用最为广泛的Adam优化算法,提出了基于Adam优化算法的改进,融入了Nesterov动量思想并通过改进二阶估计偏差修正从而改进了算法的动态学习率,使其保证了单调递减特性,避免出现学习率时大时小的情况。仿真实验结果表明改进算法比原算法收敛性更好。第四,构建了基于卷积神经网络的实时人脸识别系统和自建的人脸数据集,并验证了本文改进点的有效性。