人脸识别技术相较其他生物识别技术而言有很多优势。针对人脸识别技术中人脸图像采集过程受到光照、旋转、姿态和表情变化这些不可控因素的影响,造成的识别率降低,提出将改进的SIFT算法与深度信念网络相结合来解决上述问题。1)针对SIFT算法中矩形区域比较容易被旋转、比例变化干扰的问题,提出基于区域分割Haar-SIFT深度信念网络算法的模型进行人脸识别。利用圆形区域的旋转不变性改进SIFT算法,并且用haar小波特征对提取的特征向量降维,深度信念网络分类识别,以增强算法对旋转、姿态等因素的抗干扰能力,提高识别效果和效率。2)针对SIFT算法提取的人脸特征数据冗余的问题,利用稀疏编码来优化SIFT算法,稀疏编码可以排除大量冗余的特征信息,使提取到的特征向量可以更简洁的描述图像,解决了SIFT特征数据冗余、匹配率低和匹配时间长的问题。最后利用深度信念网络分类识别并通过仿真实验证明该改进算法对表情变化的干扰有很强的鲁棒性。3)由于区域分割Haar-SIFT-DBN模型对姿态识别有很好的效果,稀疏SIFT算法对人脸表情不同时提取的特征较精准,因此将两种算法相结合,并利用局部方差相似度的方法来优化稀疏编码提高对图像细节特征的描述,提出基于区域分割稀疏细节性SIFT深度学习的人脸识别模型,提高了识别的效率和识别的精度。改进的SIFT算法和深度信念网络相结合可以更有效准确的提取人脸特征,进而提高了人脸识别的准确率和匹配速率,为人脸识别技术今后的发展提供了新的思路和想法。图33幅;表1个;参60篇。