技術優勢。 在不同的生物特徵識別方法中 ， 人臉識別技術有其自身特殊的優勢 ， 因而在生物識別中有著重要的地位 。 

（1）、 非侵擾性 ， 人臉識別無需干擾人們的正常行為就能較好地達到識別效果 ， 只要在攝像機前自然地停留片刻 ， 用戶的身份就會被正確識別 。 

（2）、便捷性 ， 人臉識別採集設備簡單 ， 使用快捷 。 一般來說 ， 常見的攝像頭就可以用來進行人臉圖像的採集 ， 不需特別複雜的專用設備 。 圖像採集在數秒內即可完成 。 

（3）、友好性 ， 通過人臉識別身份的方法與人類的習慣一致 ， 人和機器都可以使用人臉圖片進行識別 。 

（4）、非接觸性 ， 人臉圖像採集 ， 用戶不需要與設備直接接觸 。 另外 ， 可以在比較遠的距離進行人臉圖像的採集 。 裝配了光學變焦鏡頭的攝像頭 ， 焦距可以提高到 10 倍以上 ， 使景深範圍擴展到 50 米以外 ， 實現對遠景清晰拍照 ，有效採集遠處的人臉圖像 。  （5）、可擴展性， 在人臉識別後， 通過對識別結果數據進行下一步處理和應用， 可以擴展出眾多實際應用方案， 如應用在出入門禁控制、 人臉圖片搜索、上下班刷卡、 非法人員識別等各個領域。 

（6）、隱蔽性強 ， 安全領域對於系統隱蔽性有較強要求 ， 人臉識別在這方面比指紋等方式更具優勢 。 

（7）、強大的事後追踪能力 ， 系統記錄的人臉信息是非常重要且易於利用的線索 ， 更加有利於進行事後追踪應用 。 

（8）、準確度高， 相比於人體、 步態等其特徵， 人臉特徵具備更強的鑑別性與更低的誤報率， 所能應用的底庫規模上高出許多， 目前超大 規模（ 十億級別） 的人臉檢索已經可以實用。 技術局限。 人臉識別技術由於相似臉 、 年齡 、 算法偏見 、 面臨的場景多樣化以及人臉圖像更易公開獲取等原因 ， 技術本身也面臨著一定的局限性 。 

（1）、相似臉較難解決 。 雙胞胎或者長相很相近的人臉容易識別錯誤 ， 而該問題在目前暫時沒有新技術能完全解決 。  NIST 分析報告指出 ， 大部分情況下雙胞胎仍能區分分數高低 ， 但是往往都在閾值之上 ， 在開放環境下應用效果較差 。 

（2）、算法偏見問題 。 由於當前人臉識別算法很大程度依賴於數據樣本 ，但是不同人群的人臉數據樣本存在差別 ， 這導致了算法對不同地域 、 不同年齡人群的識別能力有差別 。 美國國家技術標準研究院 NIST 的檢查表明 ， 人臉識別軟件在不同地域 、 種族 、 性別 、 年齡上存在較大差異 。 比如 ， 小孩子 ， 老年人以及其他很少出現的人種或者膚色的人臉識別率相對較低 ， 該問題亟需解決 。  （3）、人臉識別率易受多種因素影響 。 現有的人臉識別系統在用戶配合 、採集條件比較理想的情況下可以取得令人滿意的結果 。 但是 ， 在用戶不配合 、採集條件不理想的情況下 ， 會影響現有系統的識別率 。 例如根據 NIST 的測試報告 ， 戴口罩情況下大部分算法的錯誤率會提高 1 個數量級以上 ， 跨年齡 、 大角度等因素也會造成不同程度的下降 。 

（4）、年齡變化的影響 。 隨著年齡的變化 ， 面部外觀也會變化 ， 特別是對於青少年 ， 這種變化更加明顯 。 對於不同的年齡段 ， 人臉識別算法的識別率也不同。  （5）、安全性問題 。 人臉識別系統信息存儲同樣會面臨黑客的攻擊 。 所以對數據加密很重要 。 隨著技術的不斷提升 ， 人臉識別技術在安全性上需要加強 。 同時 ， 人臉暴露度較高 ， 相比對其它生物特徵數據更容易實現被動採集 。 這也同時意味著人臉信息的數據更容易被竊取 ， 不僅可能侵犯個人隱私 ， 還會帶來財產損失 。 大規模的數據庫洩露還會對一個族群或國家帶來安全風險。