人脸识别技术的研究与应用现已在各个领域有着不断深入的发展,特别是在有限制性条件下（正脸、无遮挡、光照充足且均匀等）的人脸识别技术也已较好地应用至某些特定场景,而对于更接近实际应用的非限制性场景下（侧脸、素描人脸、人脸遮挡等情况）的人脸识别效果,在安防、金融等重要领域有着更加突出的作用。因此,非限制性场景下人脸识别算法的研究与应用仍是这些领域亟待解决的难题。所以本文针对非限制性场景下的人脸识别问题,从神经网络结构（系统框架搭建）、人脸数据集制作/测试以及人脸预处理模型三方面做了如下研究:1、针对非限制性场景下为加强特征判别而引入角距度量学习A-Softmax时,所产生的超参数m对特征的强约束性的问题,以及人脸数据分布不均衡（如正负样本分布）和样本多样化问题,本文提出了结合角距度量学习的人脸识别系统模型（MDCNN模型）。（1）在引入角距度量学习加强对特征判别分类的同时,针对超参数m对特征的强约束性以及多样化样本数据分布不均衡问题,采用BN层（Batch Normalization）改善Sphere Face-20每一层网络结构以弱化其对网络模型的特征学习和判别能力的影响,提高模型的收敛性能和泛化能力;（2）针对非限制性场景下样本多样化的正样本特征信息提取问题,提出了MDCNN网络模型架构（Modified Sphere Face-20）,采取多层次细化的方式加强特征提取,从而提升模型在非限制性场景下的人脸识别性能;（3）结合MDCNN模型搭建了完整的人脸识别/验证系统框架。2、基于MDCNN网络模型搭建的人脸识别/验证系统框架,分别采用LFW、CUFS（素描人脸）标准数据集,以及自制的人脸遮挡数据集（11000对人脸样本）和侧脸人脸数据集（4000对人脸样本）对系统进行算法验证:本文算法的性能与现存的大部分算法进行比较。实验结果表明,本文的方法在解决非限制性场景上的人脸识别问题时,有切实的性能提升;并且采用本方法的人脸识别系统已成功的在实际工程性应用中进行实验。3、在上述模型基础上,针对非限制性场景中的侧脸识别做了进一步研究:采用三维拓扑人脸结构的人脸信息重构模型设计算法。（1）相比于正脸,由于Yaw方向上的侧脸仅提供了相对较少的特征信息,无法完全满足网络模型特征判别的最低要求,本文基于人脸特征信息对称（非严格的几何轴对称）的特点,引入了三维拓扑人脸结构,通过对人脸进行特征信息映射互补,实现Yaw方向上侧脸人脸特征信息的权重重构;（2）采用渐进式的PCN（Progressive Calibration Networks）算法实现Roll方向上的多角度人脸检测。二者均与本文提出的MDCNN模型有机地结合,有效的实现了Yaw方向上侧脸和Roll方向上多角度人脸的识别/验证。经上述研究与实验,本文算法在实现非限制性场景下的素描人脸和人脸遮挡识别时,有显著的性能提升,且具有较好的系统鲁棒性;特别是非限制性场景中的侧脸识别。同时,本文算法在标准人脸数据集LFW上的识别性能,也优于大部分现存算法。