针对深度残差网络在小型移动设备的人脸识别应用中存在的网络结构复杂、时间开销大等问题，提出一种基于深度残差网络的轻量级模型。首先对深度残差网络的结构进行精简优化，并结合知识转移方法，从深度残差网络（教师网络）中重构出轻量级残差网络（学生网络），从而在保证精度的同时，降低网络的结构复杂度；然后在学生网络中通过分解标准卷积减少模型的参数，从而降低特征提取网络的时间复杂度。实验结果表明，在LFW、VGG-Face、AgeDB和CFP-FP等4个不同数据集上，所提模型在识别精度接近主流人脸识别方法的同时，单张推理时间达到16 ms，速度提升了10%~20%。可见，所提模型能够在推理速度得到有效提升的同时识别精度基本不下降。
