目前，身份验证与识别已经成为大家的一项基本活动,随着科技的发展，生物识别技术已经成为个人身份识别或认证技术的重要方式，是目前非常活跃的研究课题。人脸是生物的重要特征之一，所以人脸识别就成为了生物特征识别的重要一部分。人脸识别能够以自然、直观的方式被识别，在安保、金融等很多领域都被广泛应用，虽然人脸具有不变性，但是由于受到外界的干扰，所以识别起来还是有一定的挑战。
　　传统的人脸识别方法包括基于几何特征的人脸识别方法、基于模版匹配的人脸识别方法、基于统计的人脸识别方法和传统神经网络的人脸识别方法等。这些传统的人脸识别方法都有各自的优点与缺点，它们基本上都是基于人工提取人脸图像特征然后对其进行识别的，人工提取图像特征需要大量人力研究特征提取算法。
　　近些年，深度学习得到了快速发展，基于深度学习的人脸识别也发展迅速，并取得了比传统人脸识别方法较好的识别效果。基于深度学习的人脸识别方法不需要人工编写算法提取图像特征，主要是通过卷积神经网络对人脸图像进行卷积等一系列操作，自动提取图像中的特征。因为深度学习是自动提取图像特征，所以能够提取传统人脸识别方法提取不到的特征，大大提高了识别的准确率，但是，深度学习方法也有其缺点，在应用方面主要表现为需要大量的样本数据进行训练，那么对于数据规模较小的情况怎么能够应用深度学习方法进行人脸识别呢？
　　本文应用迁移学习的方法在小数据集上成功地应用了深度学习的方法进行人脸识别。本文的研究力图利用迁移学习的思想，把应用大规模样本进行的训练模型迁移过来，在此基础上再次进行深度学习人脸识别的方法。根据本文的研究思路，本文主要完成了以下研究工作：
　　1、对人脸识别的发展做了一些介绍，对国内外的发展状况进行了简单的梳理，归纳了传统人脸识别方法，并说明了每种算法的优点与缺点。给出了卷积神经网络的理论部分，并通过图像与举例的方式介绍了卷积神经网络是如何进行卷积、权值共享与下采样的。给出了深度卷积神经网络的理论支撑。
　　2、给出了基于深度学习的人脸识别模型的训练过程，主要包括训练模型的框架的介绍、特性与核心模块；训练图像的获取过程，包括图像的采集与预处理、人脸部分的裁剪、图像的格式转换与求均值等。介绍了基于模型的图像特征提取与图像测试。
　　3、针对深度学习需要大量训练样本的问题，提出了运用迁移学习的思想，提出了基于迁移学习的人脸识别方法，重点从数据迁移和模型迁移两个方面对迁移的过程和模型训练方法进行了研究。
　　4、针对本文构建的数据迁移网络训练方法进行了验证，利用ImageNet数据库进行了小样本数据集的迁移模型人脸识别效果的检验。实验结果表明，基于迁移学习与深度学习相结合的方法结果要优于单纯的使用深度学习的效果。有效的解决了小样本的人脸识别问题。