人脸识别作为一种非接触式的身份认证技术,目前已经成为人工智能与模式识别领域的研究热点并得到了广泛的工程应用。随着人脸识别技术的应用越来越广泛,人脸识别在应用过程中面临更多外界干扰和挑战,对其识别准确率和稳定性的要求也更高。传统的人脸识别方法主要依赖先验知识通过人工方式提取人脸浅层特征再进行分类,但浅层特征缺少信息表征能力,导致传统的人脸识别方法泛化能力较差,容易受到光照、姿态和表情的干扰。而基于卷积神经网络的人脸识别方法能提取人脸抽象的深层特征,有效地解决人脸识别问题。然而常见卷积神经网络在训练过程中要求通过裁剪或扭曲来固定输入人脸图像的尺寸,也没有充分利用人脸图像的多尺度信息,因此在网络结构上还存在待改进的地方。为了解决上述问题,提高识别性能,本文提出了基于多尺度池化的卷积神经网络(Multi-scale Pooling Convolutional Neural Networks,简称MPCNN)的人脸识别方法,在全连接层之前构建多尺度池化层,以替代普通池化层,不但解决了卷积神经网络要求输入人脸图像尺寸必须固定的问题,而且多尺度的采样方法对目标的形变具有较好的鲁棒性。同时在多尺度池化的基础上,提出了基于多层特征表达的全连接层网络结构。全连接层通过组合各个卷积层经过多尺度池化的特征表达,融合了各个层次的特征获得多尺度的人脸信息,提高了识别系统的性能。最后通过验证实验确定了最优的网络参数,并通过对比实验对MPCNN网络的性能进行了分析,验证了多尺度池化和多层特征表达的全连接层的有效性,并与其他方法进行了参考对比分析。