人脸识别因其良好的非侵入性与自然存在性,已成为一种重要的认证识别技术,并得到了广泛使用。自2012年深度学习在图像识别大赛上一举夺冠,利用深度神经网络解决人脸识别问题越来越受研究者的青睐,但现有的人脸识别技术仍有很大的改进空间。本文从深度学习下的人脸识别技术出发,在研究现有算法的基础上,探究性能更好的检测与识别算法,并针对深度学习中的样本攻击问题,对人脸虚假样本进行研究。本文主要的研究内容有:针对原始SSD算法在小样本人脸检测上的漏检错检等问题,考虑特征融合思想,提出一种特征金字塔增强融合的SSD人脸检测(FPEF-SSD)算法。该算法在传统SSD结构提取后的多尺度特征层基础上,使用特征金字塔对上采样层和尺寸不变卷积层进行特征融合,通过将抽象且丰富语义信息的高层特征图与浅层高分辨率包含更多细节的低特征图按特征级联方式融合,使底层特征图拥有更丰富的语义细节信息,生成的增强多尺度特征图对小尺寸人脸有更加好的特征描述,且细节信息不易丢失。针对传统三元组损失在样本对上选择困难和训练样本量较大的问题,结合中心损失的思想,并引入离散余弦变换方法,提出一种基于低频离散余弦变换与CT损失的人脸识别(LFDCTCT-FR)算法。该算法首先对原始的三元组损失改进,引入中心损失共同优化,可以更好地缩小类别内间距,且不用再精心挑选样本对,避免因指数级数据量的样本对带来的收敛难问题。通过结合离散余弦变换矩阵,将样本的低频系数针对性地与单一的卷积网络特征进行加权融合,可以更好地丰富人脸特征,增强类别间特征的区分性。针对现有基于梯度的图像识别类攻击算法优化速度慢且攻击样本扰动大、攻击效果不鲁棒等问题,结合动量方法,提出一种基于面部隐蔽贴片与动量迭代PGD人脸对抗样本攻击(HPMI-PGD)算法。该算法在PGD攻击方法的基础上引入动量,使迭代过程能够更快收敛,并加快拉开与原始类别的距离,生成的干扰通过人脸配件范围的约束,可以以更自然的方式呈现,不易被察觉。