相比于其他的生物特征，人脸识别具有非强制性、高通用性等优点，这使得人脸识别技术在安防监控和视觉跟踪等领域都得到了广泛应用。但是在一些特殊应用场合下，比如海关护照验证、公安执法系统，出于采集难度和隐私政策考虑，对于每一个人只能收集到一张人脸图像(例如证件照人脸图像)作为训练样本，称这种情况为单样本人脸识别。在单样本约束下，许多现有的人脸识别算法将无法正常工作。因此论文针对单样本约束下的人脸识别进行研究。
　　当前大多数针对单样本人脸识别的算法仍然是传统方法。而与传统方法相比，基于深度学习的人脸识别算法可以提取到鲁棒性更强的人脸特征，获得更好的识别效果。因此论文选择基于深度学习进行人脸识别算法的设计。
　　论文的主要研究工作如下：
　　针对单样本人脸识别训练样本不足的问题，设计了用于生成指定人脸的不同表情人脸图片的EX-GAN模型以进行样本扩充。该模型利用面部动作单元编码对生成表情进行限制，相比于离散的表情标签来说，可以处理的表情更加的连续和丰富。为了提高整个模型对于图片背景变化、光照变化和遮挡的鲁棒性，添加了注意力机制，使得整个网络的作用集中于与表情变化相关的区域。模型生成的图片需要能够保留足够的人脸身份特征信息才能用于样本扩充，因此设计了结构相似度损失，与循环一致损失配合使用。在CelebA和RaFD数据集上的实验结果表明，EX-GAN模型对于有遮挡的和非正面的输入仍可以在保留足够的人脸身份特征信息的前提下生成对应的目标表情。
　　从网络结构和损失函数两个角度对ResNet进行了改进。通过SE模块、批量归一化和Dropout等策略对原始网络结构进行了改进，提升了网络的训练速度和抗过拟合能力。针对ResNet所使用的softmax损失函数对类间可分离关注度不够的问题，设计了ER损失函数以获得具有类间可分离性的判别人脸表示。
　　设计了一个适合于单样本条件约束的人脸识别框架，将已构建完成的特征提取模型、基于EX-GAN模型的样本扩充与基于模型的迁移学习整合到一个统一的框架中。首先使用具有大量训练样本的基础训练集对特征提取网络进行预训练，使用验证网络筛选保留足够身份特征的扩充样本，然后使用扩充后的单样本训练集对预训练的特征提取网络进行微调。在LFW数据集和MS-Celeb-1Mlow-shotlearningChallenge数据集上的一系列实验表明设计的单样本人脸识别框架的优越性能。