人脸识别技术自问世以来便得到了社会的广泛关注,且应用范围被不断扩大。随着相关技术的发展,当代社会对人脸识别系统的要求逐渐提高,在各种应用场景中,对其召回率、精确率等要求更为严格。实际应用中该系统极易受到外部因素的干扰,如光线,年龄及姿态的改变等。所以,基于不同场景下能够针对具体项目的需求进行改变参数的识别算法,在很大程度上推进了人脸识别技术的发展。本次研究课题中综合应用了深度学习算法和传统群优化算法,结合刑侦追踪在面部识别方面的具体需求,提出了一种自适应面部识别算法,当实际项目发生改变时,系统能够自动调整各项识别参数。基于本课题算法,公安人员在开展不同项目时,能够更方便的完成对参数的调整,即便在未掌握较多专业知识的情况下,也能完成将参数调整至最优状态,且无需耗用很多时间,极大降低了系统维护及调参等工作所耗用的成本。本次课题完成的主要工作为:1、在人脸检测模块,针对监控视频中的人脸特征点定位,提出权重自适应的多级联卷积神经网络（Multi-task Convolutional Neural Network,MTCNN）模型,对MTCNN网络不同任务的基本权重进行合理设置。训练MTCNN网络时,提高面部特征点权重,使网络能够更加精确地定位到人脸特征点。2、在人脸识别模块,对Face Net中的三元组损失函数进行研究并改进,针对Face Net原有的Triplet Loss函数在面对大型数据集时易出现系统识别速度变慢的情况,提出同为三元组的Arcface损失函数与Triplet Loss联合监督的方式,为网络特征匹配阶段提供高可靠性和有效性。3、提出了能够结合具体刑侦项目要求对惯性权重进行自调节的粒子群算法。解决了传统粒子群算法容易出现局部最优的情况,并与多任务卷积神经网络联合同时应用于人脸识别算法中。4、实验结果显示,新算法可以在没有添加任何经验或背景等条件的情况下,以较快的速度实现对各个项目的适应,且即使监控条件较差,也不会对识别的准确率造成显著影响,能够为公安机关开展刑侦工作提供有效协助。