人脸识别作为身份认证的重要生物识别技术已广泛用于门禁、考勤、通关、金融、社保等许多领域。从研究角度来看，人脸识别作为经典的模式识别问题有着悠久的研究历史，在表示学习领域有着重要的地位。从应用角度来看，人脸识别在日常生活中有着广泛的应用，是人工智能技术发展给生活带来便利的典型代表。因此，开展人脸识别这项研究具有重要的理论意义和应用价值。

随着深度学习的到来，人脸识别技术随着网络架构的发展、训练数据的增大、优化方法的改进取得了长足的进步。然而目前学术界公开的人脸识别数据场景较为单一，基本上都是来自网络名人的人脸数据，并且数据量规模较小，与实际应用中多场景大规模的数据相比仍有较大差距。如何在跨场景大规模人脸数据上提升人脸识别性能是亟需解决的关键问题。本文以跨场景大规模人脸识别为研究重点，在应对大规模数据、非均衡数据、跨场景和多场景防遗忘问题这些方面进行了深入的探究，解决现有算法在超大规模数据上高效训练、在大规模非均衡数据上有效训练和在跨场景及多场景数据上防止灾难性遗忘的问题，扩展并完善了在跨场景大规模数据上的人脸识别算法。论文的主要贡献点包括以下几个方面：

• 提出了一个有效的大规模人证场景的训练框架。针对实际中人证场景存在的大规模双样本数据，本文提出一个三阶段的训练框架，通过分类-验证-分类三阶段逐步将模型迁移到人证场景并大幅提升模型在人证场景下的识别性能，最终在真实人证测试集、公开人证测试集和模拟大规模双样本测试集上都取得了发表之时相应数据库最高的性能。
• 提出了一个大规模类别训练损失函数DP-Softmax。针对之前的分类模式由于计算资源的限制无法应对超大规模类别分类的问题，本文通过选择与当前样本最相似的类别来完成每次迭代的分类训练，使得在有限的计算资源下能够进行大规模类别的分类训练，最终在大规模人证数据上取得了明显的性能提升。
• 提出了一个针对大规模非均衡人脸数据的训练方法AdaptiveFace。针对现有人脸识别方法无法有效应对非均衡数据的问题，本文分别在损失函数和采样上提出了自适应间隔损失函数和自适应数据、类别采样方法解决大规模非均衡人脸数据对训练的影响，最终在各个学术测试集上都取得了发表之时相应数据库最高的性能，并且提升了训练效率。
• 提出了一个防遗忘的跨场景人脸识别方法。针对在实际跨场景人脸识别任务中性能提升和灾难性遗忘的问题，本文提出了一种能够应对连续跨场景取得高性能并且同时能够保留之前场景性能的方法，在保留少量源域样例的情况下使得模型在迁移之后源域性能几乎不下降，最终在连续多个场景的迁移过程中在目标域和源域上都取得了发表之时相应数据库最高的性能。
• 提出了一种无需保留样例的跨场景防遗忘识别方法。针对跨场景及多场景迁移问题，本文提出一种无需保留源域样例的方法来使得模型在快速提高目标域性能的同时尽可能保留源域的性能，通过使用模型自身的信息及样本特征信息来维持模型在源域的性能，最终在不保留源域样例的情况下连续多个场景的迁移过程中相比之前的方法在源域和目标域上的性能都取得了明显的提升。