人脸检测与识别问题一直是计算机视觉研究中的热门领域,而基于卷积神经网络的算法在人脸检测与识别问题上已取得了较大突破。胶囊网络是近年来提出的一个全新的结构,该结构已经在众多领域中表现出了优异的性能,但针对胶囊网络在人脸检测与识别方面的探索并不多见。本文将胶囊网络应用于人脸检测和识别问题中,主要研究内容有以下三点:第一,改进YOLOphem模型的卷积胶囊层和动态路由算法的实现方式,使YOLOphem可以适应较大尺寸图像输入。在此基础上提出了 一个基于胶囊网络的人脸检测模型YOLOcaps,设计了新的网络结构,网络层数更深,卷积核尺寸更小,并使用多尺度胶囊预测输出。在FDDB数据集的测试中,新模型的检测结果较对比模型YOLO和YOLOphem都有一定提高。第二,设计并实现了两个基于胶囊网络的人脸识别模型。第一个模型的设计参考了原胶囊网络的三层结构。第二个模型将胶囊网络与Inception-ResNet相结合,提出了一个改进的分类网络结构。模型中添加了一个嵌入胶囊的Inception模块,针对胶囊的特点改进了Dropout层,以胶囊为单位进行随机失活,并调整了网络末端的结构。两个模型在与不同损失函数相结合训练后,都能有效地对图像进行识别。通过对比实验能够证明胶囊的引入可以提高模型的识别准确率。其中使用附加角裕度损失函数训练的模型在LFW上的验证准确率为99.58%。第三,将前文提出的两个模型相结合,设计了一个端到端人脸检测与识别系统,即以仅包含一个人脸的图像为输入,以带有人脸位置和身份信息的图片为输出。系统中还加入了图像预处理模块、使用ERT算法实现的人脸对齐模块以及使用SVM实现的人脸分类模块。系统在自主采集的人脸图像数据集中展现出了较好的检测和识别效果。