Las redes neuronales convolucionales profundas suelen utilizarse para la verificación de imágenes, pero requieren grandes cantidades de datos de entrenamiento etiquetados, los cuales no siempre están disponibles. Para abordar este problema, se propone aquí un sistema de verificación facial de aprendizaje profundo no supervisado, llamado UFace. Comienza seleccionando de un gran conjunto de datos no etiquetados las k imágenes más similares y las k imágenes más disímiles a una imagen facial dada y las utiliza para el entrenamiento. UFace se implementa utilizando métodos del autoencoder y la red Siamesa; esta última se utiliza en todas las comparaciones ya que su rendimiento es mejor. A diferencia del entrenamiento típico de redes neuronales profundas, UFace calcula la función de pérdida k veces para imágenes similares y k veces para imágenes disímiles para cada imagen de entrada. El rendimiento de UFace se evalúa utilizando cuatro conjuntos de datos de verificación facial de referencia: Labeled Faces in the Wild (LFW), YouTube Faces (YTF), Cross-age LFW (CALFW) y Celebrities in Frontal Profile in the Wild (CFP-FP). UFace con la red Siamesa logró precisión del 99.40%, 96.04%, 95.12% y 97.89%, respectivamente, en los cuatro conjuntos de datos. Estos resultados son comparables con los métodos de vanguardia, como ArcFace, GroupFace y MegaFace. La mayor ventaja de UFace es que utiliza muchos menos datos de entrenamiento y no requiere datos etiquetados.