随着信息社会的发展,信息的安全性越来越受到广泛的关注。其中,人脸作为不同个体的标识,有着自己固有的生物特征,因此被用于身份识别以及安全监测等场景。由于不同光照、不同角度、人脸遮挡等因素,人脸检测与识别的问题遇到了很大的挑战。本文基于深度学习的方法对人脸检测和人脸识别进行了相关研究,对比于传统的目标检测算法,利用基于卷积神经网络的目标检测算法进行归类分析,提出了本文研究方法。本文首先针对人脸检测提出了基于YOLOv3算法的自然场景下多人脸检测,旨在解决人脸实时性检测以及图片中小人脸的问题。模型以Darknet 53为主干网络,用3种不同尺寸的特征图进行预测,对检测框的中心坐标、置信度以及类别的损失函数进行设计,最后直接回归被检测人脸的信息。运用了批量归一化处理模型,同时从人脸识别概率、人脸类别、人脸的检测框三个角度对损失函数进行了设计,有效的解决了光照、遮挡等自然条件下图像背景变化和实时性检测等问题,同时还解决了图像中多人脸检测的问题。本文还提出了基于FaceNet算法的改进模型,首先通过本文中YOLOv3模型对人脸检测后的检测框进行提取,然后对人脸图像进行分割后进行模型训练。本文提出了利用SENet改进后的Inception模块,将改进后网络作为FaceNet算法的主干网络对人脸特征进行提取。采用了学习率分段式常数衰减、L2正则化以及Adagrad优化器对训练进行优化,得到最终的算法模型。模型通过人脸特征向量的欧氏距离对比,得出人脸的相似度度量并进行识别。最后在本文的实验环境下对LFW数据集进行测试,实验结果表明本文算法有效地提高了人脸识别率,并且与原始的FaceNet模型相比识别率提升近5%。