近些年来,伴随着计算机计算能力的增强,人工智能技术得到了高速的发展,特别是在计算机视觉方向。人脸识别在计算机视觉上占据重要地位,已经有了广泛的使用,但是快速、准确的人脸识别并不是一件非常容易的事情。近些年来人脸识别系统被应用到各行各业中,人们对人脸识别系统的需求也愈演愈烈。基于人脸的签到系统,因其便利性、智能化、高效等优点,被用于会议签到、活动签到及课堂签到等场景。目前人脸签到系统面临光照、遮挡以及姿态等不确定因素挑战。在当前的人脸识别算法中,传统的基于局部特征的提取方法可处理光照强度低、光照影响小的情况,但是在自然光照下,并不能克服复杂光照带来的影响。基于卷积神经网络的人脸识别方法可以提取人脸的深层次抽象特征,但是对于遮挡、及姿态问题,提取到的特征区分性还不够。为此,本文对人脸识别技术展开研究,研究如下:第一,针对单一局部特征不能有效处理自然光照下的人脸识别,提出了一种多特征融合的方法来提取面部特征,采用广义判别分析进行非线性降维,可以在减少参数时也能降低光照带来的影响。使用判别相关分性进行特征融合,可以消除类间相关性,最大化两个特征集之间的成对相关性。本文在多个加入光照因素的人脸数据集上进行实验,实验验证了本文提出的多特征融合的方法可以对自然光照下多种光照情况进行有效特征提取,比单一局部特征提取方法取得更好的效果。第二,针对使用Softmax Loss的卷积神经网络不能提取出具有区分性的特征,提出了一种基于DenseNet改进的人脸识别方法,该方法使用L2-Softmax loss和Island loss联合训练,提取到特征不仅具有紧凑的类内差异和可分离的类间差异,同时可以减少模型的参数量。对比实验验证了本文方法的有效性。第三,人脸签到系统受到光照、遮挡等影响,针对该问题,本系统将多特征融合的方法和基于卷积神经网络方法相结合,采用C++作为主要开发语言,Visual Studio Code作为开发工具,设计并实现了课堂签到系统,该系统主要包括人脸检测、人脸识别和服务器三个模块。系统基本满足日常使用上的功能和性能的需求。