人脸识别系统一般由人脸检测、特征点定位、人脸识别等模块组成，传统的系统往往会针对各个环节设计不同的算法，而目前的主流商业系统均采用深度学习来实现各个功能，甚至出现了All-in-one的方案(使用一个深度模型完成所有功能)。
深度学习的成功，主要依赖硬件、数据、算法的进步，这一点在人脸识别中体现得淋漓尽致。GPU运算能力以超摩尔定律的速度提升，训练数据指数级的增长，为深度学习用于人脸识别提供了基础。算法上，除了网络结构、训练技巧等深度学习通用技术之外，人脸识别的一大研究主线就是如何学习更好的特征(而非softmax或者其他分类器)，比如DeepID、FaceNet、Center Loss等经典方法。此外，研究人员还在尝试将深度学习用于人脸超分辨率、3D重建等领域，以解决实际场景中的低分辨率、姿态变化等问题。
相比传统方法，深度学习的主要优势有：
（1）效果好。深度模型通过逐层抽象的方式可以获得人脸的高层特征，具备更强的表达能力，能够充分发挥大数据的优势，准确率往往会比传统方法有质的飞跃。例如在人脸检测测试集合FDDB与人脸识别测试集合LFW上，即使是未经专门设计的深度学习模型准确率就可以轻易超过精心设计的传统算法。
（2）通用性强。深度学习技术在各个任务上有较强的通用性，举一而反三，一个技术点的突破可以促进很多具体问题的改善。此外，对产品而言，使用通用的深度学习框架/硬件可以大幅降低部署与维护成本。
人脸识别领域已经全面进入深度学习时代 ，同时也迎来了新的技术挑战：
（1）模型规模。从几层的Alexnet到几十层的VGG、GoogLeNet，再到如今广泛应用的可达成百上千层的Resnet及其各种变种，深度模型朝着更深更广的方向发展。在保证精度的前提下如何降低模型规模是一个非常重要的研究方向。一方面，GPU以及各种硬件的计算能力(尤其是单位功耗上的计算能力)需要进一步提升；另一方面在算法方面(模型压缩、高效网络结构等)仍需要不断进步。
（2）场景适应。尽管人脸识别中的开源数据已经达到百万级，但是仍然难以覆盖实际场景中的复杂变化。姿态、年龄、低分辨率等问题仍然会对深度模型效果产生极大的影响。收集到足够的特定场景数据是非常困难的，在少量的样本上如何获得泛化性能更好的模型是亟待解决的问题。在这方面，大华人脸识别基于少量场景数据结合GAN与迁移学习技术，取得了不错的进展。
