人脸识别，是基于采集到的人的脸部特征信息进行身份识别的一种生物识别技术，属于人工智能和计算机视觉的一个重要研究方向。目前，传统的人脸识别算法需要经过复杂的计算过程，且最后实现的人脸识别的准确率较低。为了提高人脸识别方法的性能，该文从卷积神经网络的角度来对该问题展开研究和分析，具体研究内容如下：
　　首先，该文从轻量级网络的角度出发，提出基于深度可分离卷积和注意力机制的轻量级网络人脸识别方法。该方法设计了融合深度可分离卷积和注意力机制的逆残差块，在减少网络参数量的同时加强特征的表示能力。注意力机制能够使网络自主的学习从输入的人脸图像到高质量的特征表示之间的映射，使网络侧重于学习图像中信息量较大的区域。融合注意力机制和轻量级残差模块兼顾准确率、网络参数量和模型实用性。
　　其次，为了进一步提高性能，该文提出一种基于改进的聚合残差网络的人脸识别方法，该方法在残差块中融入用分组卷积实现的多分支拓扑网络结构，在不增加复杂度的同时增强特征的表示能力，整体网络采用堆叠残差块的思想构建网络。此外，在残差块的跳跃连接中加入卷积操作用于特征降维和增加非线性，以便更好地提取图像的特征信息。
　　最后，为了从损失函数方面改善基于深度学习人脸识别算法的性能，该文提出了基于判别性径向特征双环损失的人脸识别方法。该方法改善了现有的人脸识别主要损失函数中存在的弊端，从径向特征角度增强了高维特征空间中不同类别间的嵌入表示可分性，在该损失函数引导下网络提取到的高维特征呈现双环形分布状态。该损失函数不仅致力于效改善人脸识别任务的性能，同时可以提高一般分类问题的准确率。除此之外，该损失函数的设计不止针对于某一种网络，对卷积神经网络具有普适性。