人脸识别系统已经成为身份认证中最著名的生物识别技术之一,并已经广泛应用于军事、安防和日常生活等领域,故人脸识别的研究具有重要的研究意义和落地价值。在嵌入式设备中,人脸识别系统的识别速度和识别精度是极为重要的。将人脸识别技术移植到这种资源受限型设备上时,往往需要经过模型压缩等加速方法的处理。知识蒸馏是一种实际应用较广,且易于训练的模型压缩方法。现有的知识蒸馏算法需要大量带标签的人脸数据,可能会涉及身份隐私泄露等安全问题。同时,大规模采集有标签人脸数据的成本较大,而海量可采集或生成的无标签人脸数据却无法利用。为解决上述问题,本研究通过分析知识蒸馏在人脸识别任务中的特性,提出了一种无标签知识蒸馏的间接监督训练方法。该方法可以利用海量无标签的人脸数据,从而避免了隐私泄露等安全隐患问题。然而,无标签人脸数据集的数据分布无法预知,存在数据分布不均衡的问题,限制了间接监督算法的性能发挥。本研究进一步提出了一种人脸内容置换的数据增强方法,通过置换人脸部分内容平衡人脸数据分布,同时也增强了人脸数据的多样性。在保证精度的同时,压缩了模型的规模。另一方面,相较于通用设备,将模型部署在资源受限型设备上时,使用特定的嵌入式设备框架也可以使得模型拥有更快的推理速度。本文使用基于无标签知识蒸馏的间接监督训练方法进行训练,并通过人脸内容置换增强的数据增强方法来提升训练效果。最后本文将训练好的人脸识别进行NCNN前向推理框架加速并将其落地在嵌入式设备上,使其构成了一个完整的模式框架。充足的实验结果表明,人脸识别模型被大幅度压缩的同时,本研究训练模型的性能达到了先进水平,并在LFW数据集上超越了大型网络。在结合了前向推理框架并进行嵌入式部署后,模型的推理速度又可以进一步地提升,取得了又好又快的部署效果。