人脸识别是计算机视觉和模式识别中最活跃的研究领域之一,具有许多实际应用,广泛应用于军事、金融、公共安全和日常生活等领域,精准识别一个人变得极其重要。近年来,已经提出了许多优秀算法、结构和数据库来解决人脸识别。但针对亚洲人脸在小样本的数据集情况下,更精准的识别人脸仍然是一项重大的挑战。对于一个完整的人脸识别系统拥有图像预处理,人脸检测与人脸识别三个步骤。本文从这三方面做出提高,扩充数据集,改进现有算法,提出新模型,获得良好的测试效果:1)针对小样本数据集使得网络模型训练不充分的问题,采用数据增强与网络生成技术,扩充样本数据集。本文从扩充现有人脸照片样本的丰富性的角度入手,实现对数据样本的扩充,达到样本不足的情况下也能实现训练人脸识别模型。对数据样本扩充的不仅采用数据增强技术,如镜像,裁剪及加噪等技术手段。而且利用生成对抗网生成的方式,通过对抗生成网络模型产生丰富的样本数据,增添更多包含人脸信息的样本数据,以期网络模型能从样本图像中学到更多特征。2)针对重叠半遮挡人脸检测精度不准确的问题,改进多任务卷积网络算法模型,提高了对人脸位置的精确定位。首先,分析经典的多任务卷积网络模型,然后对其添加多层感知模块,使得网络获得更丰富的细节信息与边缘信息,同时改进其损失函数,进行类间距与类内间距的多平衡,最后利用非极大抑制技术,对多重叠区域进行合并与省略,提高了检测人脸检测区域的精度和完整度。使用改进后的人脸检测算法,进行人脸检测和对齐,得到适合人脸识别网络的图片尺寸,为后续识别做好准备。3)针对人脸识别模型在数据不充足时不能获得良好训练效果的问题,设计由残差网络做特征提取的孪生网络模型,提高人脸识别准确率。首先对残差网络结构进行分析研究,更改其网络模型;使改进后的结构组成孪生网络,设计一种全新的卷积神经网络。使用丰富生成扩展后的人脸样本集进行学习训练,训练出较优秀的网络模型。对该模型进行多组实验进行分析,对比已有的算法,获得较好的性能提升,实现了针对亚洲人脸拥有优秀的识别准确率。