油田作业区的生产和建设,安全有着举足轻重的地位,智能化的监控管理可谓是生产的一大步,不仅可以节约人力成本,工作效率也会得到明显的提高。本文在基于这样的课题背景下,从油田工作区工作人员的人脸验证入手,研究和设计了基于深度学习的图像增强网络和人脸识别网络,最终建立起完整的人脸识别系统应用在油田视频监控平台上。本文的主要内容包括:首先进行了深度学习的研究,并在对户外图像增强算法DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks和WESPE:Weakly Supervised Photo Enhancer for Digital Cameras的基础上,针对油田工作区的特定场景,改进和设计了本文的基于深度学习的图像增强算法模型。首先,在生成对抗网络的设计中针对亮度不足的问题,加入了亮度注意力模型来解决图像亮度不足的问题;其次,使用局部残差与全局残差学习相结合的方式,来提高网络的性能;最后,利用多尺度卷积核来提取图像特征值以获得图像在不同尺度下的更加丰富且细腻的特征。然后本文从定性和定量的角度对比了HE、Dong和WESPE算法,最终得到了峰值信噪比可以达到29.68d B、结构相似度达到97.8%,整体视觉效果更优的增强模型。其次,本文根据人脸识别的流程,分别进行了人脸检测、人脸识别的研究,包括经典的MTCNN人脸检测模型以及Inception-Res Net-v2卷积神经网络的研究。并在Resnet50网络的基础上结合Inception-Res Net-v2的优点上进行改进和设计出本文的人脸识别卷积神经网络Resnet50＿3inception＿dropout。同时设计了多种模型评估方案从定性的角度进行了网络模型的验证,从实验结果可以得到,Resnet50＿3inception＿dropout网络的识别率可以达到的98.44%,比Resnet50多了6.64%,比Mobilenet多了5.74%。最后,为了与实际的油田应用适配,在油田现场自行拍摄了数千张油田作业区的现场图片和上千张工作人员人脸图片,制作了本文独特的克拉玛依数据集。在进行油田工作区人脸识别的实验验证时,自行在学校实验室搭建了类油田视频监控的人脸监测平台,并利用克拉玛依数据集进行了现场测试,最终建立了一个有效的、识别率高达96.4%的人脸验证系统,为油田作业区的智能化管理打下了坚实的基础。