随着社会信息化程度的不断提高,人脸识别技术在生活中的应用越来越广泛。目前主流的人脸识别方法都是基于深度学习实现的,该技术准确率较高,但由于其系统模型具有复杂度高和计算量大等特点,难以应用在计算资源有限的嵌入式设备中。近几年来,各种轻量级卷积神经网络的提出,给深度学习人脸识别系统在嵌入式平台的应用带来了新思路。在上述背景下,本文基于深度学习实现了人脸识别系统,并在低成本、低功耗的嵌入式平台上部署运行。主要工作内容如下:（1）搭建嵌入式开发环境并研究神经网络加速技术。详细分析了嵌入式硬件平台的相关特性,描述了嵌入式开发环境的搭建过程,包括交叉编译环境建立、嵌入式平台固件编译烧录和OpenCV的移植。关于神经网络加速技术,着重介绍了轻量化网络结构、网络剪枝和模型量化技术。（2）研究了轻量化人脸识别技术。在人脸检测部分,采用了人脸检测网络Retinaface,利用轻量级主干网络Mobile Net0.25提取特征,使用特征金字塔实现多尺度特征融合,通过锚框（Anchor）机制生成人脸检测框,采用非极大值抑制滤除冗余信息,利用图像的仿射变换实现人脸对齐。在人脸识别部分,采用轻量化人脸识别网络MobileFaceNet提取人脸特征,通过计算不同特征之间的余弦相似度来实现人脸特征匹配。（3）优化人脸网络并量化模型。人脸检测网络采用较小的输入尺寸,小尺寸的输入可以有效地减少计算量,为此优化了人脸检测网络的锚框尺寸,使其在小目标检测时有更好的表现。在人脸识别网络MobileFaceNet的基础上加入了SE通道注意力机制,加入SE模块后的网络模型参数量较之前仅增加23K,在LFW数据集上的测试结果为99.60%。人脸检测模型量化后的大小仅为0.4MB,人脸识别模型量化后的大小仅有1.4MB,同时仍保持着较高的准确率,更有利于嵌入式平台的部署。（4）在嵌入式平台部署人脸模型并实现人脸识别系统。将人脸检测、人脸识别模型部署在嵌入式平台,开发实现嵌入式平台人脸识别系统的各个模块。人脸识别系统从获取视频数据到输出识别结果,平均耗时55ms,系统功能完善,可以完成从人脸信息采集到输出人脸识别结果。为了测试人脸识别系统的准确性,采用1250张图像数据进行测试,经过测试系统准确识别率可以达到99.0%,具有较高的准确率。因此,本文基于嵌入式平台的深度学习人脸识别技术研究具有很好的应用价值。