人脸识别技术是智能监控系统的重要技术构件,它能通过非接触的方式检验人员身份、具有简单方便和易于实现的特点,因而在许多地方得到广泛应用,但传统的人脸识别技术局限于实验室场景下,在测试算法性能的时候使用的数据库里的样本都被严格控制了光照、姿态、表情等变化,并且有些特征描述子的计算开销较大,无法满足现场测试的实时性要求,所以不能应用于实际场景。因此解决人脸识别的现场应用问题具有重要的研究意义与应用价值。本文首先研究了传统人脸识别法的局限性和经典人脸识别算法在自然环境下现场应用中存在的瓶颈问题,提出基于深度学习理论的算法来抽取模式特征以解决人脸特征对现场影响因素的鲁棒性问题。研究了人脸特征选择算法。重点研究了稀疏滤波(Sparse Filtering)、卷积神经网络(Convolutional Neural Networks)这两种特征选择方法,提出一种SF-CNN双重深度特征提取模型。然后根据户外标记人脸数据库(Labled Faces in the Wild)的测试规范,设计实验测试并分析了SF-CNN双重深度特征提取模型算法的性能。实验结果表明该方法能更加有效地抽象得到人脸信息的高级信息,使提取得到的特征具有更高的判别性,识别率更高。最后使用C++编程实现了一个人脸课堂点名系统,将前面研究得到的SF-CNN算法应用到现实场景的人脸识别任务中去,达到了预期的效果。