图像识别技术在我们的生活中发挥着重要的作用,人脸识别技术是图像特征识别中一个非常火热的研究领域。针对人脸识别等图像识别任务,传统识别面对复杂背景,光照,图像扭曲等问题时,需要大量的图像预处理,并且识别效果不佳。随着深度学习以及硬件设备的发展,基于卷积神经网络(Convolutional Neural Network,简称CNN)的人脸识别技术成为了人脸识别领域的主要采用的方法。对此,本文对基于CNN的人脸识别技术进行研究与实现。主要工作内容有:介绍了CNN的基本原理和实现。通过研究CNN模型的基本原理,使用Matconvnet框架中包含的卷积函数、下采样函数处理图像,得到的结果用于构建卷积神经网络模型的卷积层和下采样层等,从而搭建所需的CNN训练模型。此外,对全连接层和分类层的理解和掌握通过深入探究多层感知机MLP的基本原理进行了介绍。模型的所有实现均是利用基于MATLAB的Matconvnet框架,以及其库文件,同时采用GPU加速。本文对基于CNN的人脸识别模型进行构建、分析与训练。研究设计了改进的CNN人脸识别网络结构图,在原始设计网络共有10层,包括5个卷积层、4个池化层和1个全连接层的基础上,扩充网络模型,在粗模型的基础上再加入一组卷积层和池化层,构成新的精细网络,在进行精细训练时,原网络的第九层与新加入的卷积层连接,提取更深度的特征设计精训练网络。分别利用粗细两个模型模型在人脸数据集上进行训练,并精细调参,实现模型参数优化调整。基于已经训练的网络,利用人脸图像数据库中的图片进行了人脸识别训练和测试,对于普通人脸图像,粗网络识别90%以上,精细网络达到93.8%,优于Alex Net等对比算法。对于跨年龄的人脸图像,精细模型测试精度达到90.2%。此外本文设计了包含人脸定位与分割算法的人脸识别的框架,将图像预处理与基于CNN的人脸识别的过程进行了详细的叙述。并在包含人体躯干及背景的图像数据集上进行测试。识别效果达到91.7%以上。