近年来,卷积神经网络（Convolutional Neural Network,CNN）在计算机视觉领域方面得到了飞跃性的发展,并且凭借其特殊的网络结构和强大的提取特征能力使得人脸识别的准确率得以跨越式提升。由于人脸识别研究中受人脸姿态、光照、遮挡以及表情等因素的影响较大,因此人脸数据库的选择以及深度人脸识别网络的设计成为提高人脸识别率的关键因素。本文主要研究卷积神经网络模型在自然环境下人脸识别领域的应用,在扩大人脸数据库,构建及训练合理的深度人脸识别网络模型做了深入研究,并且搭建了课堂考勤系统,实现了室内复杂环境中的M:N模式的人脸识别。本文的主要研究内容如下:（1）针对sigmoid、tanh激活函数容易引起梯度消失,以及ReLU强制稀疏卷积神经网络的缺点,结合激活函数非线性、可微性和单调性的性质,对激活函数进行了改进,结合了 ReLU稀疏的性质以及sigmoid函数光滑的特性。改进后的激活函数具有ReLU函数求导简单,同时又解决了 ReLU函数使得神经网络过于稀疏从而导致信息严重缺失的缺点。（2）采用残差学习的思想构建深度人脸识别网络模型。针对DeepID人脸识别网络结构复杂以及LightCNN训练时间长的问题,本文设计的人脸识别网络模型通过合理的减少网络参数,以及使用比随机初始化方式更好的xavier以及msra初始化方法来缩减卷积神经网络训练时间,并且在预处理后的LFW（Labeled Faces in the Wild）人脸库上取得了 99.22%的准确率,同时还对孪生网络（Siamese Network）进行深入研究。（3）针对现有损失函数训练得到的卷积神经网络模型在提取人脸图片特征时不具有类内紧凑、类间分离的缺点,改进并提出一种性能更好的损失函数。通过使特征归一化、权重归一化以及加大对正确类的惩罚,使得训练得到的卷积神经网络模型在提取特征时具有类内紧凑、类间分离的特点。（4）最后,将训练得到的深度人脸识别网络应用于实际场景中,实现了M:N模式课堂考勤系统。使用摄像机在教室采集照片,使用基于卷积神经网络的多任务级联人脸检测算法（MTCNN）得到单个人脸图片,从而构建课堂考勤人脸数据库作为卷积神经网络的训练数据,提升了卷积神经网络对教室中复杂环境人脸图片特征提取能力。考勤系统对三通道彩色图片提取特征,从而保留了人脸图片的完整信息。该系统验证了本文中方法的有效性及实用性,达到了在课堂中对学生实施考勤的应用要求。