无人值守式站场充分利用现代物联网、自动化等先进技术来实现站场的全天候自主化管理,该方式既有效的减少了人力物力的消耗,又显著提升了站场的管理水平,是天然气集输站未来智能化建设的发展趋势之一。但是因站场一般地处偏远,一旦发生可疑人员入侵的情况,无人化的管理难以在第一时间进行有效的监测,因此对站场的安全防护技术提出了更高的要求。本文中将人脸识别技术运用到无人值守站场的安防管理中,主要利用深度学习的方法来解决单样本条件下的人脸识别问题,以提升无人值守站场的安防管理水平,主要研究内容如下:(1)提出一种改进生成对抗网络的多特征人脸生成模型。无人值守站场处于开放环境中,再加上单一人脸样本条件限制,大大影响了人脸识别效果。针对上述问题,开展基于生成对抗网络的多特征人脸生成模型研究,利用包含丰富特征属性的CelebA数据集对生成对抗网络进行训练,通过不断调整网络结构及参数,以得到特征属性连续变化的人脸样本,为完成人脸识别任务提供有效的训练样本支撑。(2)提出一种改进卷积神经网络的人脸特征识别方法。为满足深度网络模型训练需求,在有效扩充样本基础上,采用随机裁剪、亮度变换、平移、旋转、翻转等技术手段,继续对样本进行数据增强处理;搭建由八层网络构成的基于卷积神经网络的人脸识别模型,利用深层神经网络自动提取人脸的隐性特征,并从模型的横向与纵向设计、初始化参数、优化器类型等方面进行优化,以得到最理想的网络结构及参数。最后通过公开的数据集对训练好的模型进行泛化性测试,实验表明能够达到了较好的识别效果。(3)研发了无人值守站场防入侵安防原型系统。该原型系统以无人值守站场作为应用场景,分别结合单样本扩充、人脸检测、图像预处理、人脸识别等模块形成一套可行的解决方案。通过在不同场景下测试,该原型系统能够达到预期的识别效果。