人工智能是当今互联网巨头公司和各大科研院校研究的热点,人脸识别属于人工智能的一种,广泛应用于各个领域。在大数据的时代下,人工神经网络识别人脸的技术愈显优势。卷积神经网络是在人工神经网络的基础上发展而来,结合深度学习结构,使用梯度下降法的反向传播算法来训练网络的一种有监督学习的神经网络。卷积神经网络把自动提取特征和分类功能融合在一个网络中,降低了人脸识别过程的复杂度。卷积层的局部连接和权值共享特性使训练的网络参数大大减少,提高了网络训练性能。子采样层在保留特征数据的同时降低了图像分辨率,优化了网络结构。本文在经典的卷积神经网络结构(LeNet5)上改变网络层数和神经元个数来研究三个由简单到复杂的卷积神经网络分别在三个不同的人脸库上的网络训练收敛的迭代次数和识别率。通过实验仿真分析得到卷积神经网络的结构越复杂网络性能并不一定就越好,测试集的误差比训练集的误差高,表明卷积神经网络的泛化能力有待提高,而且在不同数据库最优的网络结构也会有所不同。针对网络训练的学习率取值过大过小会导致卷积神经网络不收敛,本文提出三种不同变化趋势的学习率在ORL人脸库上训练三种不同网络结构,实验分析得到先慢后快的变化学习率更加适合卷积神经的网络训练。传统的卷积神经网络是从人工经验设定的多个网络结构中选取性能最优来应用,工作量大且网络结构通用性差。针对传统的卷积神经网络结构的泛化性和通用性差,本文提出一种无性能比较下确定网络结构的自适应卷积神经网络算法,并与传统的卷积神经网络在三个不同的人脸库上进行网络结构性能的对比实验。实验表明,自适应卷积神经网络在网络训练时间和测试误差之间取得较好的平衡性,提高了网络结构的泛化性和通用性。此外,本文使用ORL人脸库上综合分析自适应卷积神经网络算法的分支网络结构、网络扩展间隔和网络扩展因子三个算法参数对网络性能的影响。