人脸识别作为生物体征识别技术的一个热门研究方向,可广泛地用于身份验证、接入控制、人机交互、多媒体管理监控等。虽然目前大多数人脸识别技术在受限条件下取得了较为理想的识别率,但当外界的条件发生明显变化的时候,特别是一旦由于人脸发生遮挡,造成部分特征的丢失,导致人脸图像特征不完整时,以至于人脸图像无法和库中人脸信息进行比对。遮挡造成的人脸识别的困难主要体现在由遮挡所引发的特征损失、对准误差和局部混叠等方面。鉴于目前大多数遮挡人脸识别的效果并不理想,本文提出了一种基于深度学习的方法来识别局部遮挡人脸。主要研究工作如下:(1)提出了一种新的数据增强方法,并采用微调的卷积神经网络生成遮挡的人脸图像。该方法主要采用遮挡敏感度实验的技术来识别CNN提取出最具区别性特征的人脸区域。在提出的方法中,训练过程中首先将识别出的人脸区域覆盖起来,以迫使CNN从非遮挡的面部区域中提取判别特征,目的是减少模型对已识别出的面部区域的依赖。实验结果表明,在AR脸部数据库中呈现真实遮挡的人脸图像上,基于此方法训练的CNN模型性能显著提升。(2)提出采用区域注意力模块定位未遮挡人脸的识别方法,使用该模块的优点在于深度学习网络能集中地处理人脸图像中未被遮挡的部分。其次,提出了改进的三元组损失函数用于遮挡人脸识别的网络模型构建,该损失函数综合了以下因素1)同类的非遮挡人脸和遮挡人脸之间的距离小,不同类遮挡人脸之间以及不同类的遮挡和非遮挡人脸之间的距离大;2)将位置注意力机制与通道注意力机制相结合,使得该模型能集中地去处理未遮挡人脸部分,并能利用未遮挡人脸部分的特征进行人脸特征的嵌入。实验结果表明双重注意力机制的引入可以提高在遮挡情况下深度学习网络的识别率,且在低遮挡率的情况下,通道注意力机制对网络识别率提高的贡献要大于位置注意力机制。