随着网络技术、数据通讯技术、人工智能等的不断发展,智能视频监控系统的应用在不断扩大。在网络通讯高速发展和计算机技术快速进步的情况下,基于监控摄像头下的人脸识别技术的智能视频监控系统能够减轻大型场所监管人员的工作压力并且提高工作效率,对加强安全和自动化管理有着重大的作用,拥有巨大的发展空间。另外,由于监控场景下的人脸识别技术需要面对运动模糊、光线不一,姿态各异等众多非约束场景的不定因素,这些问题值得我们进行深入探究,因此选择基于监控场景的厂区人脸识别系统作为研究课题具有实际意义。课题主要是根据武汉某电气有限公司的厂区视频监控需求,为其进行系统的设计和开发,其中,对于非约束场景造成的低质量人脸图像问题,课题通过模糊度查询,人脸对齐和正脸判断、伽马校正等对其进行处理和筛查;在人脸识别模块中系统采用人脸特征嵌入的模型结构,卷积网络使用Inception-resnet-v1骨架网络,损失函数采用基于角性距离的Arcface loss。模型使用CASIA-Webface数据集进行训练,并加入Inception-v1网络和Triplet loss分别对比实验来证明本文模型的有效性。之后针对模型在实际应用中出现的问题对之前训练的模型进行迁移学习的finetuning,使用亚洲人脸数据集进行模型参数的调整,从而得到一个更适用于本系统场景的人脸识别模型。课题最终构建了一个B/S架构的包括实时人脸识别功能、人员查找（人脸验证）功能以及人脸数据库管理功能的Web系统,在系统运行的主要模块涉及的技术包括监控场景下非约束因素的关于姿态、光照的预处理技术,基于深度卷积神经网络的人脸检测和识别算法等。