近年来，深度卷积神经网络（CNNs）显著提升了人脸识别（FR）的性能。目前几乎所有用于人脸识别的CNN都是在精心标注的包含大量身份的数据集上进行训练的。然而，这种高质量数据集的收集成本非常高昂，这限制了许多研究人员难以达到最先进水平。本文提出了一种称为SeqFace的学习框架，用于学习具有区分性的面部特征。除了传统的身份训练数据集外，设计的SeqFace框架还可以利用一个额外的数据集来训练CNNs，该数据集包括从视频中收集的大量面部序列。此外，通过充分利用序列数据，我们采用了标签平滑正则化（LSR）和新提出的区分性序列代理（DSA）损失来增强深度面部特征的区分能力。我们的方法仅使用单个ResNet模型，在Labeled Faces in the Wild（LFW）和YouTube Faces（YTF）数据集上均取得了优异的性能。代码和模型已在线公开提供（https://github.com/huangyangyu/SeqFace）。