深度学习是人工神经网络的新技术进展。深度学习在若干领域已经突破历史记录,提高准确率和缩短收敛时间依旧是神经网络追求的目标。人脸识别作为深度学习的一个成熟的应用领域,可以用来检测深度学习的效果。深度卷积网络是深度学习的一种模型,也是解决人脸识别的常用模型,因此本文用深度卷积网络来作为人脸识别的基础模型。近些年来,随着网络的发展、网络社交的兴起,大量的人脸照片被产生出来。面对大量的样本,通常需要一个大型的网络进行训练,大型网络需要计算机群和并行算法支持,这无疑增加的人脸识别的准入门槛。针对上述问题,本文进行了基于深度学习的混合特征人脸识别相关模型和算法的研究,论文主要研究包括以下方面:为了提高卷积网络的收敛率,本文提出了混合自适应学习率调整算法。混合自适应学习率调整算法在网络达到振荡前,使用全局学习率使网络快速收敛,当网络振荡后,缩小学习率,使网络慢慢接近极值点,搜索最优解。实验结果表明,本文学习率调整算法可以明显缩短收敛时间,提前达到最好识别率。对于实际问题,深度网络的搭建往往面临寻找较好网络结构的过程。网络的结构包括深度卷积网络的高度和宽度,高度指网络有多少层,宽度指网络每一层对应多少个特征图。此过程需要训练多个不同结构的网络,找到相对较优的网络模型,不仅耗时,而且对于新问题的解决没有任何启发指导意义。经过多次对比深度卷积网络宽度和高度对网络性能的影响,本文提出深度卷积网络结构宽度的推算方法,以此解决网络搭建过程中,耗时重复的模型寻找过程。为了解决计算平台受限下大量人脸图片样本训练的高准入门槛的问题,本文提出了多网络多分组的训练方法。多网络多分组的训练方法把大量样本进行分组,用一个相对较小的固定网络模型来训练分组后的样本组,分别得到识别各样本组的网络参数集。当进行未知样本识别时,依次加载各个网络参数集,搜索识别每一个样本组的网络,最后选取最佳结果。实验结果表明,此训练方法对解决计算平台受限下大量样本训练难的问题是有效的,实验效果很好。