人脸识别技术是计算机视觉领域热门话题之一,其广泛用于电子商务、公共安防及智慧城市等领域。真实场景下的人脸图像,易出现非理想光照人脸图像、侧脸图像及表情夸张的人脸图像,导致识别精度的下降。近年来深度学习被广泛应用在图像增强与降噪等领域。为了从非理想光照人脸图像获取到理想光照下人脸图像,从而提升识别精度,本文通过深度学习提出一种非理想光照下的人脸图像增强卷积网络并开发一套人脸识别考勤系统。本文主要工作内容如下:（1）针对非理想光照下的人脸图像,提出基于Retinex人脸增强卷积神经网络。网络结构按照Retinex理论所设计,同时为保留人脸轮廓边缘等特征信息,将方向梯度损失结合欧式距离损失为网络总损失函数。在Yale数据集和CMU-PIE数据集上实验,结果表明该算法能够有效获取到理想光照人脸图像,且通过人脸识别仿真实验,结果表明该网络生成的理想光照的人脸图像能够提升非理想光照下的人脸识别精度。（2）针对具备普通摄像头的监控环境及非理想光照环境下,基于微服务集成人脸算法服务、人脸数据管理服务,设计并开发了一套人脸识别考勤系统。系统采用高并发语言Golang及基于深度学习的人脸算法进行开发部署。系统部署测试表明,该系统保证了人脸识别考勤方法的可靠性和有效性。（3）对系统的开发技术和系统架构进行了设计。针对开发部署,采用Docker技术,保证开发和部署环境一致性,更易维护;针对交互方式,采用ReactJS实现单次开发出多平台应用程序;针对系统大量的图像输入输出情况,使用Nginx部署基于Docker引擎图像服务器,该架构设计保证了算法服务器的处理性能。