如今,人们通常在自己的计算机上保存成千上万的图像,因此对基于不同面孔识别并管理相册的工具有很强烈的需求。目前已经有许多常规技术用于面部识别,但是这些技术面临许多问题,包括面部姿势,光照,阴影,头部位置变化和图像大小、清晰度等都对识别性能有极大影响,同时,传统的面部特征提取技术识别率较低且无法快速、准确地完成特征提取任务。面部聚类领域面临的主要挑战是需要面对大规模数据、大量类别、高类内差异和低类间区分度的数据样本。传统聚类方法如k-means算法和层次聚类算法由于需要指定聚类类别数量,不适合实际场景应用。基于密度的聚类算法的算法复杂度与特征邻域的特征点数量相关,在面对大规模数据时,时间和空间的计算复杂性显著增加。因此,本研究将开发基于深度学习的人脸识别技术和基于特征空间密度的聚类算法,提出一种基于深度学习的高效,可靠且可扩展的PAM(相册管理)系统,以解决上述问题。该系统主要通过MTCNN模型(多任务级联CNN)进行面部识别,该方法简单高效,稳定且可以有效处理自然世界中不同角度的面部表情。因此,这是使用强大的深度学习技术代替传统的面部注释和CBIR方法的可靠方案。主流实现方案中传统模型已逐渐被功能强大的深度学习模块(如MTCNN和VGGFace2)取代,在本研究中,该模块可处理面部识别问题并优于现有技术,有效地完成了 PAM系统对识别性能的需求。在这项研究中,我们将使用MTCNN模型和VGGFace2模型分别进行面部识别和提取特征,并基于提取的面部特征使用余弦距离函数进行相似度测量。余弦距离函数以0.4为阈值判别相似人脸。在本研究的实验中,我们使用了来自IMDB-WIKI数据集的图像数据,并在我们实现的PAM系统上分批处理了 5,100张图像。实验结果表明该系统性能优异,并以92.1%的精确度(Precision)实现了 97.28%的查全率(Recall)和96.26%的准确性(Accuracy)。