人脸聚类是利用未标记人脸数据必不可少的工具,在人脸数据库构建、人脸图像标注等方面具有广泛的应用。一般来说,人脸聚类效果的优劣,主要受到所采用的特征提取方法和聚类算法设计这两方面的影响。随着深度学习在人脸识别上的应用,深度面部模型已经成为目前主要的人脸特征提取方式。现有多数人脸聚类算法是基于卷积神经网络提出的,聚类规则采用相似性度量,但卷积神经网络更适合处理欧式空间的数据,因此,如何有效学习到不同簇之间的结构信息具有很大的挑战性。自2017年图卷积网络的问世,开始出现基于图卷积网络的人脸聚类算法模型。但目前该类算法,多采用构造子图的方式展开研究。本文基于图卷积网络对人脸聚类算法进行研究,提出了一种基于连接的聚类算法框架,将聚类问题转化为学习图上两顶点间边的连接概率。其中,输入数据采用构造全局图的方式,解决了大量子图造成结果重叠、引入降噪处理等问题。同时,直接对边属性进行操作,而不是利用对称的邻接矩阵。论文的主要工作有:（1）提出了基于图卷积网络的人脸聚类算法,将聚类问题转化成图上边的预测问题。基于连接的聚类算法可预测两个顶点之间是否存在连接,而不会限制数据集的分布,使模型对具有复杂分布的人脸数据集也表现出良好的效果。（2）为解决因输入数据采用构造子图方式而引入的预测结果重叠,需要再进行人工降噪的问题,本文设计了构造全局图的方法,其中,每张人脸图像看作是图中的一个顶点,根据夹角余弦距离度量人脸之间的相似性,并由此构造边。边的最终预测结果,由图卷积网络模型输出。（3）为提升聚类效果,增强输入数据图的表达,在顶点属性特征的基础上引入了边的属性,并基于Graph Network Block图网络模型（一种具体的图卷积网络模型）进行模型设计,采用顶点与边交替更新的消息传递方式进行处理。提出的模型分别在CASIA、IJB-B、DPF和YTB数据集上进行验证,实验结果充分体现了该人脸聚类算法的有效性,其F-measure和NMI得分均有显著提升。与现有基于图卷积网络的人脸聚类算法相比,本文提出的算法更能解决分布复杂的人脸数据集的聚类问题,展现了较好的性能。