在煤炭行业中,选煤厂主要负责原煤分选以实现煤炭利用最大化,而选煤厂人员考勤管理对选煤厂生产效率有直接影响。人脸识别因其唯一性、非接触性等特点常被应用于考勤,相比于传统考勤方式,人脸考勤更加高效、安全。因此,为加强选煤厂人员管理,研究选煤厂人脸考勤系统具有十分重要的意义和价值。由于目前没有开源的选煤厂人脸数据库,卷积神经网络在训练时需要大量样本,论文采用镜像、旋转和平移等几何方法来扩充样本数量;员工工作时脸上容易沾染煤灰,影响人脸识别效果,论文在对人脸图像进行高斯滤波的基础上,采用限制对比度自适应直方图均衡化和伽马矫正相结合的方法来提高图像特征,使得人脸细节信息更加突出;采用基于Haar-like特征的AdaBoost算法实现选煤厂人脸检测,将人脸从复杂的背景中提取出来;为提高人脸识别准确率,对传统的AlexNet模型进行了优化,优化后的模型能提取更多的人脸特征;根据考勤系统功能需求设计了选煤厂人脸识别考勤系统,利用Python语言搭建了考勤系统的GUI界面,并设计了相关的数据库,实现了选煤厂员工的考勤管理。本文通过对选煤厂人脸识别进行深入研究,提出的优化卷积神经网络对选煤厂环境下的人脸识别具有较好的鲁棒性,设计的考勤系统在一定程度上加强了选煤厂员工的考勤管理,具有一定的理论研究意义和工程应用价值。