课堂考勤是高校教学过程中的一个必不可少的环节,传统的考勤方式不但会增加教师的工作量,而且会占用一定的上课时间,影响学生上课。同时人脸识别技术的不断发展,因其直接、友好、非侵犯等优点在安保、身份识别、自动监控等领域具有很大的发展潜力。因此,本文研究了教室环境下的人脸检测、图像预处理以及人脸识别算法,设计并实现了基于人脸识别的课堂考勤系统。教室是一个光线分布不均匀的场所,同时人脸图像存在姿态、遮挡等差异化,因此本文选择了基于卷积神经网络的级联人脸检测技术对采集的图像进行人脸检测并将人脸分割出来。为了便于后文卷积神经网络模型训练时在人脸图像的相同位置学习到一套合理的参数,使用图像归一化对人脸图像进行处理,通过五个关键点（两个眼睛中心、鼻尖和两个嘴角）对图像进行角度旋转,并将原始图像缩放到112×96像素大小。通过人脸检测算法得到的人脸图像存在模糊、质量差的情况,为了便于考勤系统中人脸分类和识别,本文选用了清晰度评价函数去除模糊、质量差的图像。在特征提取部分,本文选择了目前应用广泛的卷积神经网络搭建模型。相比传统的神经网络,卷积神经网络拥有更少的参数并且网络模型的训练时间也更短,让其能够运用到实际应用中。与普通的softmax损失函数相比,文中提到的A-softmax损失函数,基于归一化权值和角度间距,使得最小类间距离大于最大内类距离。为了测试不同深度的卷积神经网络提取特征的能力,本文分别搭建了 10层、20层和36层的卷积神经网络,在CASIA-WebFace人脸库上训练并在LFW人脸库上测试,分别得到了 98.73%、99.13%和98.83%的识别率。最终,课堂考勤系统选用了识别率最高的20层卷积神经网络。论文最后根据课堂考勤需求,设计了考勤系统的硬件结构、系统架构、数据库和功能模块。在设计的基础上,使用MATLAB和C#混合编程的方式完成系统的代码编写和界面搭建。最后,对考勤系统的各个功能模块进行了多个层面上的测试,并给出了系统功能的演示图。