随着信息技术的发展,人脸识别的技术逐步应用到了安防、监控、银行等行业领域中,甚至是我们的日常的生活中,人脸识别都发挥着越来越大的作用。人脸识别的技术通常有以下几部分组成:人脸检测、人脸关键点定位和人脸特征提取这三个部分组成。人脸检测和人脸关键点定位这两部分目前已经有了很大的进展,这样,获取更具有表现能力的人脸的特征便成为一个重要的命题。传统的人脸特征提取的过程是通过对图像的理解,使用数字图像处理的相关技术和方法,提取手工设计的底层的图像的特征。这样的做法会带来诸多的问题,首先是手工设计的特征依赖专家对图像的理解,其次是特征的性能好坏难以直接的判定。因此传统的人脸特征提取逐渐被基于深度学习的方法所取代。深度学习的人脸识别的方式有许多的优点:首先,人脸图像和最终的人脸特征可以通过网络模型直接学习出,可以方便的端到端的训练;其次,互联网上存在着大量的人脸的图像,可以方便的搜集大量的数据;最后,深度学习上数学模型本身具有很强的表达能力,可以为我们提取出更能表现人脸信息的特征。本文中,笔者首先介绍了一些图像识别中常用到的卷积神经网络的结构,通过分析和对比了不同的网络结构的特点,结合人脸识别中的任务的特点,设计出了一个更适合人脸特征提取的任务的网络结构,在计算和表现上都有不错的表现。随后,笔者介绍了人脸识别中用到的距离度量学习的一些常见的优化函数,最终设计了一个优化特征角度的距离度量学习的监督函数,并在公开数据集上取得了顶尖的结果。最后,笔者介绍了特征哈希的一些方式,通过特征的哈希化,得到了二进制的人脸特征,极大地减少了存储并加快了检索的效率。