人脸识别,作为计算机视觉领域里比较热门的一项技术,已经被广泛的应用到智能安防、社区服务、移动支付等领域。随着深度学习的发展,如何通过卷积神经网络提取有区分力的特征是人脸识别的核心所在。为了解决大规模人脸识别中特征区分度不高的问题,分别从卷积神经网络的特征提取和损失函数的多间隔约束来对人脸识别算法进行优化,增强模型的泛化能力。主要研究内容包括:1.针对标准卷积神经网络提取的特征存在通道信息冗余、卷积核参数共享机制没有对空间信息赋予不同权重等问题,通过注意力机制,提出通道注意力模型和空间注意力模型。他们分别学习通道间和位置间关系,给予特征图的通道和空间不同的权重来降低通道间信息冗余并且关注人脸图像中最重要的部分,最后得到一个优化后的人脸特征。2.通道注意力模型和空间注意力模型在计算过程中存在过度压缩信息且没有考虑全局特征的问题。通过自注意力机制,提出改进后的通道自注意力模型和空间自注意力模型。他们在自注意力的计算过程中,保留了较多数据防止信息丢失,同时也通过互相关矩阵计算全局通道间关系和位置间关系来进行特征优化。3.针对现有损失函数无法对所有分布的样本都能很好约束的问题,提出基于多间隔约束的损失函数。它分别在特征超球面空间和特征优化空间上对角度和余弦值进行约束,可以有效增强模型的区分能力。另外,为解决实际中多数据无法直接合并的问题,提出一种多任务交替学习的训练模式来加强多数据的协同能力。三个小测试集LFW、AgeDB-30、CFP-FP以及一个百万级别的大规模测试集MegaFace上的实验表明了本文提出算法的有效性和可行性。实验中最终百万级别的识别率达到了98.38%,验证率达到98.45%,超过目前很多顶尖的算法。