如今,人们用智能手机、数码相机等拍摄的照片越来越多,电脑上相册目录中的照片数量也迅速增长,对这些数字照片的管理变得不可缺少。一般的家庭相册中很大一部分是以人物为主题的照片,这些照片一般是按时间顺序展示的,但当需要查看包含某个人的所有照片时,存在不便于浏览、难以查找等缺点,而手动整理这些数量庞大的照片需要花费的时间和精力非常多。为了解决家庭相册难以管理的问题,本文设计并实现了一款相册管理系统,其基于人脸识别、B/S（Browser/Server）架构、数据库、Python、Java Script等技术实现。其中人脸识别相关技术是系统的关键部分,主要使用了人脸检测、人脸对齐、人脸特征提取、人脸聚类和分类识别等技术。针对人脸检测部分,比较了Haar级联分类器、基于HOG特征的人脸检测器、基于CNN模型的人脸检测器、基于Center Face模型的检测器的性能,选择了基于HOG特征的检测器作为本系统人脸检测的方法。针对人脸对齐部分,比较了5关键点模型和68关键点模型的性能,选择了速度更快的5点模型,平均每张人脸用时为1.9毫秒。针对人脸特征提取部分,测试了dlib实现的基于Res Net的人脸识别模型,其将人脸编码为128维特征向量,平均每张人脸用时为0.65秒（无GPU加速）。针对人脸聚类部分,研究了DBSCAN（Density-Based Spatial Clustering of Applications with Noise）、CW（Chinese Whispers）聚类算法在不同人脸数据集上的聚类性能。结果显示,两者的聚类效果都跟参数的选择有很大关系,不恰当的参数值会使得聚类效果很差。在家庭相册管理系统的应用场景下,本文提出了一种新的方法可以自适应地确定DBSCAN和CW算法的参数取值。这种方法基于一个事实:大部分家庭相册中,一个人的人脸不会在同一张照片中出现两次,即一张照片上出现的多个人脸是属于不同人物的,它们应该被聚类到不同的类簇中。此事实可以作为约束条件用来评估聚类算法的效果,一个好的聚类结果不应过多违反此约束条件（合照约束）,并据此定义了Violation Rate。将此方法应用到DBSCAN和CW算法的参数估计中,所得到的参数值在测试所用的数据集上取得了非常理想的效果。经过实验比较,选择了速度更快并可去除噪声的DBSCAN聚类算法。针对人脸分类识别部分,研究了参数取值对KNN（k-Nearest Neighbor,K最近邻）分类算法的影响,确定了使用最邻近的一个已知人脸来识别未知人脸的方法。本文实现的相册管理系统功能包括分页浏览照片、自动按人物身份分组照片、展示人物（分组）列表、交互式地合并或移除人物、交互式地修改照片和人物的关联等。在自建的家庭相册数据集和人物图像数据集Face Scrub的子集上,上述功能均测试通过,按人物自动分组照片的平均精确率为99.2%,平均召回率为90.1%。