现代信息社会的身份认证系统已经逐渐趋向于基于生物特征的身份认证。其中的人脸特征由于具有不易伪造和不被遗忘的特性,而被广泛用于身份识别。人脸模板保护技术的目标是结合生物度量与信息安全技术,提供一个能够保证人脸特征安全的有效解决办法。传统的人脸认证系统直接将原始的人脸数据存储在数据库中,很容易造成丢失或者被窃取。一旦发生用户人脸特征信息泄露,该用户可能面临巨大的风险和不可估量的损失,因此人脸模板的保护问题亟待解决。然而现有的模板保护技术难以抵抗类内差异的影响,与普通识别技术的准确率仍有差距。或是通过辅助数据保护原始生物特征,其中的辅助数据存在一定的安全隐患。除此之外,当有新人脸识别用户加入时,训练的模型将不能用于识别新的用户。若采用全部样本重新进行训练会导致资源和时间的大量浪费,很难满足实际需求。为解决这些问题,本文展开了深入的研究,主要研究工作如下:1)针对现有模板保护技术的识别率有待提高和人脸模板安全性亟需完善的问题,本文提出了基于深度纠错码学习的人脸模板保护方案。该方案通过生成随机的二进制序列标识每个用户,并且将其经过哈希处理后的序列作为安全的人脸模板用于匹配和存储。训练阶段,对二进制序列进行纠错编码,利用基于多标签学习的卷积神经网络建立人脸原始图像到随机纠错码之间的鲁棒映射关系。测试阶段,运用纠错码的纠错性进一步减小类内差异对识别准确率的影响,提高了整体方案的鲁棒性和准确率。该方案没有产生任何辅助数据并且加入哈希函数,保证了模板的安全性和不可逆性。相较于现有模板保护方法,在Extended Yale B和PIE数据集上的识别率得到了有效的提高。2)针对基于深度学习的人脸模板保护认证系统加入新用户时,现有网络模型无法识别的问题,本文提出了基于增量学习的人脸模板保护方案。该方案主要通过基于多标签学习的卷积神经网络的逐步学习来实现增量训练过程,每一增量训练阶段仅学习新类别样本和现有类别对应的小样例集。在训练阶段,利用知识蒸馏技术,同时计算蒸馏损失和交叉熵损失共同组成的组合损失,优化网络参数,使得网络在学习新的样本的同时,不会对已经学习的知识产生“灾难性遗忘”。在Extended Yale B上的实验结果表明该方案性能优于现有增量学习方法,甚至部分结果逼近基于全部数据训练的上限节点。尤其在增量训练后期网络学习结果较差时,LDPC解码展现了很好的纠错性能,有利于识别率的提高。本文主要针对现有的模板保护技术识别准确率有待提高且存在某些安全漏洞的问题,以及基于深度模板保护的认证系统加入新用户如何处理的问题,提出了改进方案。实验结果表明,本文提出的模板保护技术在保证安全性的同时取得了较好的识别性能,在新用户加入时能在记住已有类别的同时学习新的数据,并且保证一定的识别率。该方案在安全性和识别性能上超越了当前许多主流的人脸模板保护技术,具有一定的实用价值。