1.一种基于深度神经网络多层特征融合的人脸识别方法，其特征在于包括如下步骤：步骤1：数据准备：获得公开的CASIA‑Webface人脸数据库与MS‑Celeb‑1M人脸数据库作为训练数据集；

步骤2：网络结构：在深度卷积神经网络DeepID网络结构的基础上进行改进，利用一个输出维度为D2的全连接层Fc2替代DeepID网络结构中的softmax层，Fc2层后面连接多层特征融合损失层，将改进的网络结构称为多层特征融合网络，所述DeepID网络结构包含四个卷积层、一个全连接层Fc1一个softmax层，所述多层特征融合损失层是在计算训练样本之间类内距离与类间距离损失的基础上将Fc1层和Fc2层的输出特征也作为损失函数的输入；

步骤3：网络训练：将步骤1中的训练数据集输入到多层特征融合网络中进行训练获得人脸识别模型；

步骤4：网络测试：将人脸图像A和人脸图像B输入到特征融合网络中，并利用人脸识别模型进行特征提取，获得人脸图像A和人脸图像B的人脸特征分别为F1和F2，计算两个特征向量之间的余弦相似度S，设置人脸相似度阈值为T，如果S≥T，则认为人脸图像A和人脸图像B为同一个人，如果S＜T，则认为人脸图像A和人脸图像B为不同人；

所述步骤2中损失函数的公式为：

其中，λ1、λ2、λ3、λ4分别表示Fc1层的类内距离损失权重、Fc2层的类内距离损失权重、Fc1层的类间距离损失权重、Fc2层的类间距离损失权重，n表示训练数据集中第i类样本的数量，N表示训练数据集中样本的种类数，uik表示训练数据集中第i类第k个样本在Fc1层的输出特征，vik表示表示训练数据集中第i类第k个样本在Fc2层的输出特征， 表示训练数据集中第i类样本在Fc1层输出的类均值特征， 表示训练数据集中第i类样本在Fc2层输出的类均值特征, 表示训练数据集中第j类样本在Fc1层输出的类均值特征, 表示训练数据集中第j类样本在Fc2层输出的类均值特征。