近年来,不仅计算机技术发展迅速,深度学习也掀起了热潮。在这种背景下,人们对身份识别的智能性、安全性等要求越来越高。生物识别技术利用人体特征进行身份的识别验证,在安全性、便捷性等方面优于传统的身份识别技术,在身份识别中发挥着越来越大的作用。而人脸识别是生物识别技术中最简单、最方便的方法之一,已成为生物识别中的热门研究方向,在身份验证、智能安防、智能支付等领域发挥了巨大的作用。人脸识别很重要的一个应用是视频中的实时人脸识别,目前视频人脸识别系统的实时性还需要提高。本文基于深度学习技术对视频人脸识别方法展开了研究,从视频人脸检测和视频人脸识别两个方面进行了优化与改进,论文主要工作如下:(1)针对现有的视频中人脸检测方法实时性较低的情况,本文采用基于改进YOLO V3的检测方法进行人脸检测。首先通过改进的聚类方法重新确定了 YOLO V3的先验边界框,因为YOLO V3的先验边界框是通用的,不适用于特定的人脸检测任务。其次,修改了 YOLO V3的网络结构,改变了第一层卷积核的数量,修改后的人脸检测网络准确率更佳。改进后的YOLO V3人脸检测方法在一定程度上提高了人脸检测的实时性,同时兼顾了人脸检测的准确性。(2)在视频人脸识别中,由于复杂环境,使用传统的损失函数会导致类内和类间距离分布不均匀,因此提出了优化三元组损失函数,使类内和类间的距离分布变得均匀。结合卷积神经网络(GoogLeNet),提出了基于优化三元组损失函数的卷积神经网络用于提取人脸图像的特征,通过计算人脸特征之间的余弦相似度来进行人脸分类识别。通过对比实验,证实本文提出的人脸识别方法具有良好的准确性和较好的实时性。(3)根据视频人脸检测和视频人脸识别的方法研究,设计了视频人脸识别系统。首先,介绍了视频人脸识别系统由数据采集、人脸检测、人脸识别三个模块组成。然后详细的介绍系统整体的架构设计,以及各模块的功能组成,实现了视频人脸识别系统的设计。最后对系统进行了模块测试和集成测试,验证了本文提出的视频人脸识别方法的有效性。