随着网络技术的迅速发展,智能识别系统越来越广泛地被应用于金融,工业,信息,农业等领域。其中生物识别技术开始得到了广泛地关注。在这些技术中,人脸识别技术的应用已经非常普遍,其效率高,准确性好,使用非常方便,目前在此领域的研究不断增多。常见的识别方式主要划分为两种类型:一种是传统人脸识别方式,此外还包括深度卷积神经网络识别方式,这种方式只需要设计特定的网络模型,然后将人脸训练数据添加其中,不需要进行繁琐的特征提取算法,因此其效率更高,准确性也能够达到较高的标准。将训练模型存储后可以得到人脸特征提取器。在本次研究中针对残差网络模型的结构进行了研究,对Light CNN-29网络模型进行了改进,并对参数不断进行了调整和调试优化,改善了其识别结果的精确性。同时,本文将改进的网络模型应用在智慧农业园系统中,对该系统的人脸识别模块进行了设计,该识别模块取得了良好的识别效果,且具备较高的实用价值。（1）论文首先介绍了人脸识别的科学意义和在农业上的应用价值,分析了目前常用的人脸识别方法,主要有几何结构以及模板匹配的人脸识别方法等,阐述了各种方法的原理以及适用性。（2）其次是对卷积神经网络的相关内容进行了介绍。首先对传统的神经网络结构进行了阐述,分析了误差反向传播算法的原理。接着对卷积神经网络的卷积层、池化等各个层次进行了介绍。（3）在本次研究中基于先前方法中的不足进行了改进研究,主要改进将残差网络与RFB模块结合在深度网络结构中。然后对损失函数的应用进行了研究,重点将Softmax、L-Softmax、A-Softmax三种类型的损失函数进行了对比分析。最终得到了改进的残差网络模型与A-Softmax函数构成的卷积神经网络,然后通过CASIA-Webface数据集训练,最后得到的测试准确度达到了99.28%。（4）提出了一种基于改进的Light CNN-29网络的人脸识别算法。首先,分析了Light CNN-29模型的网络结构和相关参数,然后提出对原始Light CNN-29网络结构和参数进行优化的方法,通过修改卷积层的stride来使卷积后的特征图缩小和使用卷积层替换全连接层来减少参数,以及使用均值池化层来替代卷积层,来减少参数从而得到新的改进的Light CNN-29模型,与原Light CNN-29网络相比,改进的Light CNN-29网络减少了参数量,降低了对硬件的要求,而且在CPU模式下运行读取每张图片的速度为原来的6倍。（5）最后,对智慧农业园系统中的人脸识别模块进行了设计。本文设计的智慧农业园系统的人脸识别模块具有较强的实用性,各个功能基于实际需求进行设计,例如有认证通行以及注册等,满足了日常人脸识别的要求。设计的人脸识别模块利用了第三章中设计的网络模型,因为该网络模型的精度较高,因此适合于智慧农业园系统的人脸识别模块使用。人脸识别模块设计完成后,通过人脸数据库的测试,验证了该模块的识别效果,满足了智慧农业园系统的应用需求。