人脸识别在不同应用场景下对准确率、精确率、召回率等要求不同,容易受到光照,姿态变化以及遮挡的影响,因此研究不同应用场景下人脸识别算法的参数变化,对提高人脸识别水平有重要意义。本文将群智能算法与深度神经网络相结合,提出一种能够随项目需求不同而自适应参数调整的人脸识别方法。这种方法使得维护人员在对算法进行参数调优时不需要有大量的先验知识,从而有效降低维护成本。主要工作如下:1、详尽分析了MTCNN(Multi-task Cascaded Convolutional Networks)和FaceNet人脸识别系统,并进行对比。2、在果蝇优化算法(Fruit Fly Optimizational Algorithm,FOA)的基础上提出了一个双群组果蝇优化算法(Double population Fruit fly Optimization Algorithm with Logistic transform,DFOAL),引入多种群协同进化策略,结合基于Logistic函数的动态步长设计,较好的解决了传统果蝇算法寻优计算中只得到局部最优解的问题,通过经典测试函数对改进后的果蝇优化算法进行了验证,证明了改进是有效的。3、将改进后的果蝇优化算法应用到FaceNet人脸识别系统中,分析了改进后的多种群果蝇优化算法的参数优化思路,使用Python语言在Tensorflow深度学习平台进行计算机仿真。仿真实验结果表明,改进后的人脸识别方法能够在不依赖相关经验的情况下快速适应不同项目环境。