由于深度学习的提出,计算机视觉领域掀起了一阵热潮,许多以往很难解决的问题,在深度模型应用以后,就可以很轻而易举的解决。比如特征点定位,非受限情况下的人脸识别,自然物体识别等。但是纵观这些成功的深层模型,都是有监督的学习,都需要大量的精确标注的训练集。因为只有巨大的数据,才能使模型得到更充分的训练,才更能体现出深度学习与数据的价值。但是,实际应用中,不免会遇到训练数据难以收集,或者数据标注的成本很高等问题。因此本文针对此问题,以人脸识别为基础,做了两方面的工作。本文设计出一种可以利用弱标签数据就能够有效学习的算法。首先,利用搜索引擎的图像搜索接口,以人名为关键字,进行搜索,以此方式收集出一个图像容量为400K左右,人物类别为10K左右的人脸图像集,该图像集未经人工标注,直接利用搜索关键字为标签,用作网络训练。由于存在大量的错误标签数据,算法中,引入修正信号,对错误样本的标签进行修正,使其有利于网络的训练。实验表明,该算法相比现有的深度人脸识别模型,能够更有效的利用未经人工标注的弱标签数据。其次,本文还设计一种基于深度学习的迁移学习算法。设计该算法的初衷基于这样一个事实。在人脸识别实际应用的时候,由于特定的时间,空间,或者特定设备,而造成实际的测试集往往服从一个特定的分布,一般的只有当训练集与测试集满足同样的分布的情况下,算法才比较有效。然而,若要在此特定的情况下收集出,能够满足深度学习的大容量训练集,是很困难的。因此,本文设计了一种迁移学习的方式,可以利用现有的大容量数据集进行训练,然后再结合服从特定分布的小数据集进行迁移学习,使得深度模型在该具体的样本分布下,表现出较好的性能。