目前,由于深度学习的飞速发展,约束条件下的人脸识别问题已经基本得到解决,但是在非约束场景下,人脸识别仍然面临诸多挑战。其中,在非约束场景下,人脸的多姿态问题对人脸识别造成严重干扰,成为非约束场景下人脸识别领域的重点问题。因此,研究具有姿态鲁棒性的人脸识别算法并设计与实现相应的应用系统,满足行业所需,具有重要的理论和现实意义。本论文在完成非约束场景下基于深度学习的人脸识别系统的实现之后,进一步研究多姿态人脸的特征表示,对具有姿态鲁棒性的人脸识别算法进行探索。主要研究内容如下:设计并实现了非约束场景下基于深度学习的人脸识别系统。首先设计人脸识别系统的各个模块的算法功能,并以tensorflow框架为平台,Python和C++为编程语言,对图片获取模块、人脸检测模块、人脸对齐模块、人脸识别模块、报警模块进行编程实现,完整地实现了一个人脸识别系统。进一步,针对非约束场景下出现“相似姿态的不同人误判为同一人,不同姿态的同一人错判为不同人”现象,深刻分析其形成原理,基于特征层面的“正面化”思想,把多姿态的人脸特征表示映射为近似正面的人脸特征表示,再利用正面的人脸特征表示实现识别,达到对姿态鲁棒的目的。围绕这个思想,本论文增加姿态估计和姿态分类两个过程,从而得到人脸的姿态分类标签。并重新设计特征提取网络,利用姿态标签构建姿态映射转换模块,并定义新的姿态损失函数来优化网络。最后通过在LFW、CFP、IJBA-A三个公开数据集上进行测试验证,证明本论文的良好识别效果。同时对实现的人脸识别系统进行测试,表明人脸识别各个模块实现了设计功能且效果良好,整个系统能够流畅运行,达到了预期的目标。