目前,人脸识别系统已经广泛的应用在各个领域中,随着人脸识别系统需要处理的视频规模逐渐增大,传统的集中式人脸识别方法在时间效率和可扩展性等方面已经不能满足需求。针对目前人脸识别系统无法同时处理多个视频的问题,提出基于代理的实时分布式人脸识别模型,该模型由多个代理和一个服务器组成。代理能够同时对多个视频中的行人进行检测、跟踪以及特征提取,服务器则对视频中的行人执行识别操作。该模型有效的提高了人脸识别的效率,并且增加了可扩展性。针对代理处理的任务分布不均而导致处理视频时间过长、任务量过大引起的CPU利用率激增问题,设计了代理端的负载均衡来进行性能优化。针对负载均衡问题,分别提出了一种改进的粒子群优化算法和一种新型的遗传算法。针对粒子群优化算法的收敛性问题,引入收敛因子并去掉惯性权重,另外,为了保证算法得到最优解增加了扰动策略。针对传统遗传算法在种群多样性方面以及迭代次数的问题,本文结合样本的个数以及染色体的长度提出了改进的遗传算法。通过大量的仿真实验,结果表明对代理端的任务量进行任务均衡后可以有效的提高处理视频的时间,并且明显降低了负担较重的代理的CPU利用率。另外,针对代理处理的任务量发生动态变化而导致代理任务不均衡的问题,本文提出了动态优化分配方法来保持代理端的任务均衡。为了能够确保每次动态优化分配的准确性,本文提出了一种预测机制来预测某一时刻视频中的行人个数,针对预测机制,使用极限学习机来预测视频中行人的个数,根据预测数据进行动态优化分配可以有效的减小在任务量发生突变时产生的误差。最后,将代理端的负载均衡算法、预测算法和动态优化分配方法应用在基于代理的实时分布式人脸识别模型中,并且在真实的网络环境中进行大量的仿真实验和性能分析。实验结果表明,本文提出的优化方法可以有效的提高基于代理的分布式人脸识别模型的效率,并且提高了可扩展性。