Con el desarrollo continuo del aprendizaje profundo, el campo del reconocimiento facial también ha avanzado rápidamente. Sin embargo, con la masiva popularidad de COVID-19, el reconocimiento facial con mascarillas es un problema que ahora está a punto de ser abordado en la práctica. Al reconocer un rostro que lleva una mascarilla, esta oculta la mayor parte de las características faciales, lo que resulta en que el modelo general de reconocimiento facial solo capture parte de la información facial. Por lo tanto, los modelos de reconocimiento facial existentes suelen ser ineficaces para reconocer rostros con mascarillas. Este artículo aborda este problema en el modelo de reconocimiento facial existente y propone una mejora de Facenet. Utilizamos ConvNeXt-T como la columna vertebral del modelo de red y añadimos el mecanismo ECA (Atención de Canal Eficiente). Esto mejora la extracción de características de la parte no oculta del rostro para obtener información más útil, mientras se evita la reducción de dimensionalidad y no se aumenta la complejidad del modelo. Diseñamos nuevos modelos de reconocimiento facial investigando los efectos de diferentes mecanismos de atención en los modelos de reconocimiento de mascarillas faciales y los efectos de diferentes proporciones de conjuntos de datos en los resultados experimentales. Además, construimos un gran conjunto de rostros con mascarillas para poder entrenar el modelo de manera eficiente y rápida. A través de experimentos, nuestro modelo demostró ser 99.76% preciso para rostros reales con mascarillas. Una precisión combinada del 99.48% para entornos extremos como contraste y brillo demasiado altos o bajos.