人证比对是对身份证人脸图像与持证人面部图像进行身份同一性验证,随着人们社会活动的多样性发展,快速且准确的身份信息验证与查询变得越来越重要,由于身份证图像在人脸姿态、拍摄条件等方面具有特殊性,将人脸识别算法应用于人证比对中,会造成识别率较低。为此,本文以深度学习理论为基础,以提高人证识别准确率为目标,提出了基于深度学习的人证比对算法。本文主要工作如下:(1)提出了基于多姿态动态损失函数的人脸识别算法,根据不同的人脸姿态信息动态调整损失函数的权重,针对不同人脸姿态训练不同的子模型,最终将各个子模型融合为多姿态人脸识别模型,提高多姿态人脸的识别准确率。(2)人脸图像中眼睛、鼻子、嘴巴等局部区域的特征是人证识别的关键,提出基于局部二值模式(Local binary pattern,LBP)与卷积神经网络的人证比对网络,对人脸局部关键区域的LBP特征进行提取,再利用浅层的卷积神经网络进行二次深度特征抽取,并与深层卷积神经网络所提取的人脸特征相融合,加强人脸关键区域特征表征强度,减少由于时间跨度造成的人证之间面部特征的差异性,提高人证识别准确率。(3)为提高人证识别模型所提取人脸特征的鲁棒性,提出基于双输入双损失卷积神经网络的多姿态人证识别算法,将身份证数据集与CASIA数据集交替输入人证比对网络,并采用不同的损失函数监督训练,在类中心损失函数的基础上,提出有效调控类间距离的类间差损失函数。同时,结合基于多姿态动态损失函数的人脸识别算法,训练多姿态人证识别模型,提高人证识别准确率。在多种公开的人脸识别测试集和自行采集的人证测试集上的实验结果表明,本文算法能在一定程度上提升非限定条件下的多姿态人证识别准确率。