人脸识别技术近些年来取得了巨大的进步,各种人脸识别算法和深度卷积神经网络层出不穷,不断在各种人脸数据集上刷新着准确率。但是这些方法都是在特定数据集上进行研究,这些数据集都比较简单,而实际中的样本会由于光照、遮挡、背景等因素的影响,使用这些方法训练的网络在真实环境中的识别性能都比较差,因此基于这些数据训练的网络很难应用到实际环境中。针对这些问题,本文对大姿态人脸样本扩充算法及人脸识别相关算法进行研究,主要研究内容包括大姿态人脸特征点检测、大姿态人脸样本扩充以及使用这些数据进行人脸识别算法分析研究。通过这些算法可以通过在单张人脸样本上实现有效的样本扩充,而且这些样本与真实环境中的样本很相似,并使用神经网络进行训练,在真实环境人脸样本上可以实现有效识别。本文的主要工作与贡献包含:(1)阐述了人脸特征点检测算法在人脸识别中的地位,并对大姿态人脸特征点检测算法展开研究,包括基于级联卷积神经网络和基于3D人脸重建的特征点检测算法,而基于3D重建的算法可以实现大姿态人脸的特征点的准确检测,能够取得很小的检测误差;(2)结合大姿态人脸样本的特点,对人脸样本扩充方法进行了详细的研究,主要包括传统的使用图像处理算法来扩充人脸样本、基于3D人脸重建的样本扩充方法以及基于像素点变换的人脸样本扩充方法,分别对比了三种方法对人脸识别准确率的贡献。同时结合真实环境人脸样本的大姿态特性,使用后两种方法对单张真实环境的照片进行了多姿态人脸样本扩充,通过在这些数据上训练VGG-16网络,可以取得0.975的识别率。(3)分析了人脸识别领域常用的三种神经网络VGG-16,FaceNet和Center Loss在人脸特征提取上的优势,通过对三种网络的详细介绍,分析每种网络在大姿态人脸样本识别上的优缺点,并结合真实环境中的人脸照片进一步实验分析。结果表明:基于像素点变换的样本扩充方法结合FaceNet神经网络能够实现人脸大姿态样本的有效识别。