随着计算机技术和深度学习的飞速发展,基于图像的人脸识别技术已经成功的应用在智能支付和考勤系统等重要领域。这一类方法对人脸图像的质量要求较高,而在实际场景中获取的人脸图像质量参差不齐,直接进行识别则会造成识别准确率不同程度的下降。因此,对以图像序列为输入的人脸识别技术进行研究很有必要。本文主要研究了如何利用强化学习、深度学习和循环神经序列等技术对图像序列进行人脸检测与识别。具体工作如下:（1）提出了一种基于深度强化学习与自调节奖惩机制的人脸检测质量评分方法。针对现有的人脸检测方法可以检测出人脸位置但无法对其质量进行评分的问题,本文将人脸检测分为两个阶段,第一阶段,使用Wider Face数据集对Retina Face网络进行训练,用于检测出人脸的具体位置。第二阶段,使用强化学习方法训练浅层神经网络作为智能体,对检测出的人脸进行质量评分。由于智能体在训练初期不易收敛,本文设计了一种可自动调整奖惩的奖励函数来保障模型的平稳训练。通过与智能体具有相同结构的卷积分类网络以及Face QNet人脸质量评分方法进行对比实验,证明该方法的有效性。（2）提出了一种基于深度学习与时空特征融合的人脸特征提取方法。该方法使用图像序列作为输入,首先使用时间特征提取模块Conv GRU对人脸图像序列进行时间特征预提取;然后使用上一章的方法从图像序列中选出关键帧,送入Resnet50或Mobilenet骨干网络中提取三种不同大小的空间特征图,并送入空间特征自适应融合模块ASFF对其进行加权融合,加权系数由网络自适应的进行调整;最后,将时间特征和空间特征拼接后再进一步融合,以获取更加鲁棒的时空特征,从而提升人脸识别模型的性能。通过消融实验发现,本文提出的方法与Resnet50网络和Mobilenet网络相比准确率可以提升1.2%左右。（3）提出了一种基于深度学习与样本注意增强的人脸识别方法。针对现有的Arc Face人脸识别网络所采用的AM-Softmax损失函数使用了固定的决策边界从而无法充分适应训练样本的分布特性的问题,本文在AM-Softmax损失的基础上提出了一种自适应决策边界损失函数。该损失函数在保留了AM-Softmax的原有优点的同时,能够自适应的增强对类内差异性较大的样本的注意来自动的修正决策边界,从而提升模型的收敛速度和识别准确率,通过消融实验证明该方法的有效性,在MS1M数据集上与Cos Face人脸识别网络进行对比实验验证了该方法的先进性。