本文围绕基于深度学习的人脸识别系统的实现所涉及的关键技术进行了研究和探索。详细阐述了卷积神经网络的网络结构、神经元模型和训练算法。各个模块用python语言进行设计，整个系统在Linux的环境下进行开发。旨在探索卷积神经网络在模式识别中的应用。本系统主要有六个模块：人脸图像采集与人脸检测模块、人脸图像预处理模块、人脸图像特征值提取模块、匹配与识别模块、人脸数据库管理模块。系统经过运行与测试，结果表明能够满足一般的基于人脸识别的身份验证需求。

本课题在python环境中，通过对卷积神经网络模型的建立、训练和测试，将得到的模型对人脸图像进行特征提取，最后进行匹配识别，得到人脸图像对应的身份信息。目的在于学习和理解卷积神经网络在人脸识别上的应用。

卷积神经网络的搭建与训练

本课题的卷积神经网络用基于python的theano库搭建，形成包含五层的卷积采样相互交替结构，使用不同的小随机数初始化网络参数（权值与卷积核），小随机数用来保证网络开始不会因权值过大而进入饱和状态，从而导致训练失败；不同用来保证网络可以正常地学习使网络具有自动学习的能力。

本网络模型采用的参数为：总训练次数为50次，学习速率为0.01。四个卷积层分别采用20、40、60、80个卷积核，下采样都采用最大池化方法。

训练数据来源于ORL人脸库（ORL人脸库是英国剑桥大学研究所所制作的人脸数据库，该数据库包括了40个不同的人，每人10张图片，一共400张。其中的人脸图像是在不同时间、不同视角、各种表情和不同脸部细节条件下拍摄），每个人取7张（共280张图片）作为训练集，每个人取3张（共120图片）作为测试集，并为每个人设定不重复的标签。训练后得到卷积神经网络各层权值参数文件。

模型的训练分为两个阶段，一是向前传播阶段，二是反向传播阶段[4]。