近年来,视频监控在社会生活中的重要性日益凸显,而如何有效处理不同真实场景下的数据给研究人员来带来了挑战。伴随着深度学习给计算机视觉领域带来的重大改变,基于神经网络的图像和视频处理算法成为了研究的热点。本课题旨在对真实监控场景下的人脸检测及人脸识别算法进行研究。对现实环境中光照变化、成像模糊和无约束行人运动等问题进行了分析,以深度学习为基础,对算法进行了探讨和改进,使得其能够在特定环境下快速准确地完成面部检测及识别。本文的主要贡献包括:针对网络训练中特定场景数据不足的问题,提出一种基于Cycle GAN的改进人脸图片生成方法。使用基于浅层卷积神经网络设计的判别器和基于Res-Unet设计的生成器,引入L1像素损失、身份损失和结构相似性损失(Structural Similarity Index),并添加梯度惩罚项,有效提升了模型在人脸图片风格迁移和形状改变任务中的表现;针对检测模型小型化和本地适配的需求,提出一种基于MTCNN的改进人脸检测算法。使用分组卷积和可分离卷积减少网络参数数量,使用对数双曲余弦损失作为人脸边界框损失函数,结合运动物体检测算法减少检测时间,使用网络数据集和本地数据集对检测网络进行训练,提升了其对自然人像的检测能力和在真实监控环境下的准确性;针对识别网络体积和识别速度的需求,提出一种基于注意力模型和VGG网络的人脸识别算法。使用注意力模型替换VGG中的高层网络,结合像素域信息和通道域信息生成注意力掩膜,使用一维瓶颈结构(Bottleneck)取代部分全卷积层并提取不同维度的语义信息,使用融合三元组损失(Triplet loss)和大间隔余弦损失(Large Margin Cosine Loss)的损失函数训练特征提取层,加快了提取模型的收敛速度,有效降低了类内间距,加大了类间间距,在本地监控数据集的识别率达到99.61%,在LFW和YTF数据集上的验证准确率分别为99.06%和95.12%。