近年来,视频监控的广泛应用使得其对人脸识别系统的性能提出了更高的要求。由于监控设备与监控角度等的限制,抓拍到的人脸图像多数会受到设备配置、光照及姿态方面的影响。多姿态变光照的人脸图像特征模糊,严重影响识别效率。卷积神经网络(CNN)不断发展具有重要意义,大力推动了人脸识别技术的发展。为了达到最高的准确性,CNN模型倾向于更深或多个局部面部补丁集合,从而产生过多的计算,难以适应配置不高的监控设备。为了更有效率的提取人脸细节特征且提高算法的实用价值,本文致力于解决这些深度人脸识别(FR)问题并在开放协议下研究轻量级的深度学习框架,以达到良好的分类效果并简化模型本身。本文的主要贡献如下:(1)针对人脸识别算法忽视细节信息的问题,本文提出了一种基于多层感知卷积的细节提取算法NIN_Sphereface,框架中嵌入多层感知卷积层有利于更全面地提取细节特征且更加注重于对模型的简化能力。为了获得更加精确的人脸信息,本文算法多个部分引入多层感知漏斗结构。通过实验表明,本文算法能够在提取细节特征的基础上实现一定程度的模型压缩,并获得了较高的准确率。(2)针对卷积神经网络在处理人脸识别问题时忽略模型压缩的问题,一种基于轻量级Sphereface的人脸识别算法在本文被提出。相较于已经存在的人脸识别算法,本文在卷积神经网络中引入了全局平均池化来代替原有的全连接层。这一改变使得神经网络的参数量大幅度减小,显著地压缩了模型的存储空间。实验结果表明,本文算法在模型压缩与人脸识别率上均表现良好。