深度学习是近十年来人工智能领域最重要的突破之一,基于深度卷积神经网络模型的人脸识别研究取得了显著的进步,开始进入工业应用阶段。但是,现有的基于卷积神经网络的人脸识别技术普遍需要大量的训练样本,在训练样本较少的场景下,卷积神经网络的识别精度就会大幅下降。本文提出了将人工设计的局部特征代替原始图像作为卷积网络的输入,用于卷积神经网络的训练和识别,能够一致性地提高卷积神经网络的识别精度,在训练样本数量受限的场景下,对于识别精度的提升更为明显。本文的主要创新点总结如下:1)在LDP特征描述子的基础上,用圆形邻域代替方形邻域,使得扩展的LDP特征描述子能够满足多尺度、多角度的特征描述需求。LDP特征作为LBP特征在高阶方向上的扩充,缺乏对不同频率特征进行描述的能力,本文对LDP特征进行了扩展,能够多尺度、多角度地描述目标特征。2)LeNet-liked卷积神经网络简化了LeNet-5的网络结构,能够加快网络的训练和识别。LeNet-5网络是用于手写体识别的一个著名的卷积神经网络,具有网络复杂度小,识别精度高的特点。本文改进了LeNet-5卷积网络以执行人脸识别任务,实验表明,LeNet-liked卷积神经网络在人脸识别任务中具有良好的识别性能。为了验证不同的网络输入类型对于网络识别性能的影响,本文设计了多组对比实验,并对不同输入类型的网络进行分析,得出了如下结论:1)对比基于局部特征(LBP特征、LDP特征)输入和基于原始灰度图像输入的卷积网络在不同人脸数据库(FRGC、Yale B+和LFW人脸数据库)的识别性能。实验表明,基于LBP特征输入的卷积神经网络具有较好的识别率,在训练样本数较少的情况下对识别率的提升更为明显,在FRGC人脸数据库的单训练样本对LeNet-liked网络进行测试时,以LBP特征作为输入的网络的识别率为36.756%,而以原始灰度图像作为输入的网络的识别率为4.125%。2)本文从输入特征自身属性、网络的中间层特征、网络收敛速度和过拟合情况四个方面分析了不同类型的网络输入对于网络性能的影响。通过分析发现,LBP特征能够使卷积网络的训练更快收敛并且不易发生过拟合,更适合于卷积神经网络的训练和识别。通过卷积神经网络在多个人脸数据库上实验结果的对比和对网络的分析,我们认为在训练样本数受限的场景下,局部特征数据比原始数据更适合于卷积神经网络的训练和识别。