随着深度学习的广泛发展，人脸识别的准确率有了巨大的飞跃。计算机通过自我学习得到的人脸特征更为可靠。将深度学习应用到人脸特征提取，使得人脸识别的精度有了进一步的提高。 VGGNet、GoogLeNet、ResNet是现今普遍流行的深度卷积神经网络（CNN）架构，基于这些架构训练出的的人脸识别模型，在公共数据集LFW（Labeled Face in the Wild）都得到了不错的效果。研究发现ResNet残差网络的结构可以加快收敛速率，提高训练速度和性能。而GoogleNet中的Inception模块，通过同一层中不同大小的卷积核可以得到不同尺度的特征。将GoogleNet中的Inception模块和ResNet相结合得到新的架构，可以进一步提高人脸识别模型的精确度。我们在此架构的基础上，训练出的新的人脸识别模型，在人脸识别公共数据集LFW达到了99.63%的准确率。