人脸识别技术已被成功应用于公共安全、金融安全以及社交娱乐等领域。然而,在面对人脸图像存在伪装（墨镜、围巾和口罩等）时现有的技术很难取得理想的结果。并且伪装人脸图像同时也包含姿态、表情和年龄等变化。这进一步增加了伪装人脸识别的挑战。针对伪装人脸识别问题,本文从卷积神经网络结构设计和损失函数约束等方面开展了深入研究,主要工作如下:（1）提出了一种基于深度特征的伪装人脸识别方法（DDFR）。该方法引入了基于AM-Softmax损失约束的多尺度残差网络学习人脸图像的鉴别特征。在训练阶段,将不同的伪装（面具、太阳镜和围巾等）合成在干净的人脸图片上,进而增强训练集的多样性。同时,将对齐的人脸图像特征和未对齐的人脸图像特征融合在一起,以提高特征表示对人脸验证的鉴别能力。实验结果表明,该方法在无约束的伪装人脸数据集DFW上使用更少的训练集可以取得比现有方法更好的效果。（2）提出了一种基于困难样本组最优传输损失约束的人脸识别方法（OTFace）。该方法通过困难样本挖掘机制获取一系列困难样本三元组,然后利用样本在模型的最后一个卷积层输出的特征图的结构化表示计算样本对之间的最优传输距离,并借助对比损失函数的思想使用最优传输约束锚样本和正样本以及锚样本和负样本之间的损失。最后,将OT损失函数和AM-Softmax融合为一体共同引导CNN得到更有效的鉴别特征。在九个公开的人脸测试集DFW、LFW、Age DB、CALFW、CPLFW、CFP、IJB-B、IJB-C和Mega Face上的实验结果验证了所提方法的有效性。（3）提出了多尺度分析的OTFace。该方法在OTFace的基础上进一步分析不同尺度的OT损失引导CNN模型鉴别困难样本的能力。该方法分别使用（7,7,512）、（14,14,256）、（28,28,128）三种尺度的特征图的结构化表示计算OT损失,结合基于间隔的分类损失函数AM-Softmax或Arc Face共同约束CNN模型的训练。实验结果表明,当测试集中的人脸图片的质量普遍较高时,使用尺度较大的特征图计算的OT损失训练的模型的判别能力更强。该方法在九个公开的人脸测试集上的测试结果优于当前主流的人脸识别方法。