随着深度学习和人脸识别技术的快速发展,机器的验证准确率远远超过了传统的肉眼判别,智能化的人证比对系统在银行、酒店、车站、机场等场景应用越来越广泛。现有的人证比对系统从工作模式上可以分为两种:在线验证和离线验证。在线验证基于云服务器,具有较好的识别性能,但存在网络传输速率慢和隐私易泄露的问题;离线验证即在离线的状态下完成验证工作,基于高性能服务器的离线设备通常也具有较高的识别率,但成本较高、体积较大。而基于移动端的离线设备大多基于传统手工特征,体积小、便携性强,但识别率较低。针对上述系统存在的缺陷,本文研究了高准确率的离线式移动端人证比对系统。目前,高准确率的人脸识别模型主要基于深度卷积神经网络实现,具有较大的复杂度,无法满足移动端的实时运行要求。此外,在人证比对场景中,妆容变化、年龄老化和低分辨率的证件压缩图像造成了常规的人脸识别算法具有较低的验证准确率和较高的误识率。因此,本文针对离线式移动端人证比对系统存在的两个问题展开研究,论文工作概括如下:（1）针对深度学习算法复杂度大的问题,基于轻量化网络的设计准则和Mobile Net V2网络结构设计了低访问内存的轻量级网络Lightnet。Lightnet结合深度可分离卷积、反转残差线性瓶颈结构、全局深度卷积和快速下采样策略,实现了高效的特征提取。实验结果表明,本文设计的轻量级网络取得了较高的验证准确率和运行效率。（2）针对人证比对验证准确率低的问题,提出了轻量级注意力模块（EAM）强化人证验证中的重要通道特征,并引入了附加角度余量的Arcloss损失函数监督训练,实现了人脸特征的类内紧凑、类间可分。此外,在缺少人证数据集的情况下,自制了人证数据集并采用了迁移学习方法微调网络参数。实验结果表明,本文的优化方法有效的提升了模型在标准人证数据集NJU-ID上的验证准确率。（3）设计了移动端人证比对系统。具体为,搭建了基于RK3399核心板的硬件系统,利用推理加速框架在Android系统部署了人脸检测模型MTCNN和所训练的轻量级人证比对模型,实现了从信息采集到验证输出的整个软件系统。系统测试结果表明,本文设计的移动端人证比对系统功能较完备,具有较好的验证准确率、运行效率和泛用性,能够满足日常生活的验证需求。