人脸识别是机器学习和计算机视觉领域中的一个研究热点,近年来在实际工程中应用越来越广泛。人脸识别相关的技术多样化,包括浅层特征提取后分类、深层结构直接学习等。卷积神经网络是一种适应二维人脸图像识别场景的有效学习方式,被大量文献用于解决人脸识别问题。然而,目前卷积神经网络在其池采样过程中使用固定的采样策略会增大层间有效信息丢失的可能性,从而降低网络的识别性能和泛化能力；另外,已有结构的相邻层间的卷积运算多为确定的全连接方式,无法有效降低待训练参数的数量。针对这些问题,本文提出了随机深层卷积神经网络(Stochastic Deep Convolutional Neural Networks,简称SDCNN),在卷积神经网络结构上进行深层化并对卷积层的池采样方法和层间特征图谱的部分连接方式均进行了随机化改进,同时构建了接收多层次输入特征图谱的全连通特征层,最终将其应用在人脸识别任务中。首先,在卷积网络子采样层的池采样函数选取研究中,本文提出的新方法根据池采样区域内具体元素值的平方作为概率计算的依据进行随机采样,解决传统算法采样值过于单一的问题。然后,在不同层间的卷积运算中,提出了随机部分连接参数的方法,使得随机池采样层到卷积层的连接更为高效和全面,同时降低了网络需要训练的参数数量。最后,对于高层结构的设计,本文将不同层次的特征图谱与一个全连接层和soft-max回归层依次连接进行有监督的训练以便得到正确的分类结果。实验结果证明,在特定训练参数和人脸数据库测试下,本文提出的SDCNN结构的性能较改进前的算法和其他经典人脸识别算法要更优,对于人脸识别研究具有较好的理论意义和应用价值。