虽然我们已经战胜了新冠疫情,但是在全球背景下,新的流感和病毒也在快速传播,戴口罩成了日常防控传染性疾病的必要措施,这也带来了一个新的问题:口罩遮挡下的人脸识别问题。由于口罩的遮挡,人脸识别技术的准确率大大降低,对于需要安全认证的场合,如高铁、机场等,这种问题显得尤为突出。因此,使用实现简单且识别效率高的算法对戴口罩的人脸进行识别变得尤为关键。本文通过结合改进Dense Net神经网络结合改进EIGC注意力机制算法,成功实现了对戴口罩人脸的有效识别。下面是本文的主要研究内容:（1）为了解决公开的口罩遮挡人脸数据集中的同一身份口罩遮挡人脸数据较少和图片质量较低的问题,本项目通过网络爬取和基于LFW（Labled Faces in the Wild）制作口罩遮挡数据集,通过去重过滤和数据加强制作口罩人脸和未遮挡人脸30000余张,通过口罩人脸标注与数据增强方法扩充口罩遮挡数据集。（2）为了解决口罩遮挡对人脸识别准确率的影响问题,本文提出了一种改进的算法,它基于密集卷积网络（Dense Net）并嵌入了改进的注意力网络El GC。通过融合上下文信息和轻量化卷积控制,该算法能够为未被遮挡的区域分配较高的权重,为被遮挡的特征分配较低的权重,从而深化人脸特征提取,提高学习效果。此外,本文还采用了Mish激活函数来提高改进Dense Net网络的泛化能力。实验结果表明,在口罩遮挡人脸识别任务中,改进后的Dense Net网络口罩遮挡人脸识别准确率从74.03%提升到93.59%,未遮挡人脸识别准确率从95.21%提升到99.26%,检测速度提升了27.2%,能够很好满足口罩遮挡人脸识别要求。（3）为了进一步提高口罩遮挡下人脸识别的实际适用性,本文设计并实现了一个基于改进Dense Net模型口罩遮挡人脸识别系统。通过对不同时段不同口罩遮挡200余次人脸测试中,系统均能保持较好的流畅性和较高识别精度,该系统满足在现实复杂情况下口罩遮挡人脸识别要求,具有较高的实用性。