Das Gesichtserkennungssystem hat dank der Fortschritte in tiefen Faltungsnetzen (Deep Convolutional Neural Networks, CNNs) erhebliche Fortschritte gemacht. Die zentrale Herausforderung dabei ist die Merkmalsdiskriminierung. Um diese zu bewältigen, versucht eine Gruppe, aufgrundlage von Mining-Strategien (z.B. Hard Example Mining und Focal Loss) die Informationsbeispiele hervorzuheben. Die andere Gruppe widmet sich dem Entwurf von margin-basierten Verlustfunktionen (z.B. Winkel-, additiven und additiven Winkel-Marginen), um den Merkmalsabstand vom Standpunkt der wahren Klasse aus zu vergrößern. Beide Ansätze wurden bereits erfolgreich zur Lernverstärkung diskriminativer Merkmale überprüft. Allerdings leiden sie entweder unter der Ambiguität schwieriger Beispiele oder dem Mangel an Diskriminationskraft anderer Klassen. In dieser Arbeit entwickeln wir eine neuartige Verlustfunktion, nämlich die durch Stützvektoren gesteuerte Softmax-Verlustfunktion (Support Vector guided Softmax Loss, SV-Softmax), die fehlklassifizierte Punkte (Stützvektoren) adaptiv betont, um das Lernen diskriminativer Merkmale zu leiten. Dadurch kann der entwickelte SV-Softmax-Verlust sowohl die Ambiguität schwieriger Beispiele beseitigen als auch die Diskriminationskraft anderer Klassen nutzen und somit zu noch diskriminativeren Merkmalen führen. Nach bestem Wissen ist dies der erste Versuch, die Vorteile von Mining-basierten und margin-basierten Verlustfunktionen in einem einzigen Framework zu vereinen. Experimentelle Ergebnisse auf mehreren Benchmarks haben die Überlegenheit unseres Ansatzes gegenüber den bisher besten Methoden nachgewiesen.