图像处理是计算机视觉的重要手段,在图像的研究与应用上,人脸识别技术已经逐步趋于成熟,卷积神经网络技术也广泛应用于人脸识别,其中神经网络中的损失函数模块是用于人脸识别的卷积神经网络的重要组成部分。为提高识别算法的鲁棒性,本文提出了基于卷积神经网络的多损失函数自适应加权融合的人脸识别算法和基于稀疏非局部正则化加权编码的全卷积网络的部分人脸识别方法。前者识别算法可以提高完整人脸图像识别的效率,后者可以提高部分人脸识别的识别率。由于部分人脸图像不完整,导致先验信息不足,大大降低了人脸识别率。基于稀疏非局部正则化加权编码的全卷积网络的部分人脸识别方法是采用全卷积神经网络获取人脸特征,该方法能够接收任意尺寸大小的图片进行训练学习,更好的保存了人脸信息。根据局部稀疏和非局部自相似的特性,在稀疏表示分类器中引入非局部正则化加权编码。在公开的数据库上,与已有算法相比有更高的识别率和更好的鲁棒性。本文的工作内容主要包括以下三方面:(1)考虑到损失函数在用于识别的深度神经网络中的重要作用,且不同的损失函数所考虑的侧重点各不相同,结合加权的思想,提出了多损失函数加权融合的方法,用于解决认知的不确定性和偶然性。该方法能有效的缩短收敛时间、提高识别的精度。(2)根据稀疏和非局部自相似性,在稀疏表示分类器中引入非局部正则化加权编码。这样可以保留下更多的细节信息,能够更好展示块之间的误差。(3)通过加入调节参数对于不同尺寸大小的图片在动态匹配的过程进行了优化,改善动态匹配过程中产生的误差,从而达到类内接近,类间远离的效果。