| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.2.3 研究现状困难总结 | 第14页 |
| 1.3 研究内容以及本人工作内容 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 本人工作 | 第15-16页 |
| 1.4 本文内容安排 | 第16-17页 |
| 第2章 相关概念与技术介绍 | 第17-31页 |
| 2.1 神经网络 | 第17-20页 |
| 2.1.1 生物神经元与人工神经元模型 | 第17-19页 |
| 2.1.2 BP神经网络 | 第19-20页 |
| 2.2 深度学习 | 第20-23页 |
| 2.2.1 人脑视觉机理 | 第21-22页 |
| 2.2.2 深度学习基本思想 | 第22-23页 |
| 2.3 支持向量机 | 第23-28页 |
| 2.3.1 支持向量机原理 | 第23-24页 |
| 2.3.2 最优分类面和广义最优分类面 | 第24-26页 |
| 2.3.3 支持向量机的非线性映射 | 第26-28页 |
| 2.3.4 核函数 | 第28页 |
| 2.4 本文使用图像库简介 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于深度学习的模式识别算法 | 第31-49页 |
| 3.1 CNN算法 | 第31-38页 |
| 3.1.1 CNN网络结构 | 第31-33页 |
| 3.1.2 CNN推导与实现 | 第33-37页 |
| 3.1.3 CNN实验结果 | 第37-38页 |
| 3.2 PCA-Net算法 | 第38-43页 |
| 3.2.1 PCA-Net网络框架图 | 第38-39页 |
| 3.2.2 PCA-Net算法流程 | 第39-42页 |
| 3.2.3 PCA-Net实验 | 第42-43页 |
| 3.3 基于CNN与PCA-Net改进的人脸识别算法（PCNN） | 第43-48页 |
| 3.3.1 PCNN框架图 | 第44-45页 |
| 3.3.2 PCNN框架图流程 | 第45-48页 |
| 3.3.3 PCNN实验 | 第48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 基于深度学习人脸验证算法 | 第49-57页 |
| 4.1 人脸验证基本步骤 | 第49-50页 |
| 4.2 基于Joint Bayesian的人脸验证算法 | 第50-54页 |
| 4.3 基于深度学习人脸验证算法 | 第54-56页 |
| 4.4 本章总结 | 第56-57页 |
| 第5章 基于深度学习人脸验证系统设计与开发 | 第57-65页 |
| 5.1 系统开发目标与意义 | 第57-58页 |
| 5.2 系统开发环境 | 第58页 |
| 5.3 系统设计与开发 | 第58-61页 |
| 5.3.1 系统功能设计 | 第58-59页 |
| 5.3.2 系统模块设计 | 第59-61页 |
| 5.4 系统结果演示 | 第61-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第6章 总结与期望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 期望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |