O reconhecimento facial é uma tarefa desafiadora de Visão Computacional. Nesta disserta- ção, é proposto um método para reconhecimento de faces aplicando aumento de dados e transferência de aprendizado de Redes Neurais Convolucionais (CNNs) pré-treinadas. O foco é analisar o poder do aumento de dados para melhorar o desempenho do sistema. Foram extraídas características das imagens para o treinamento de classificadores usando a CNN VGG-Face. Para uma base de imagens de entrada, são aplicadas várias transfor- mações gerando 12 versões diferentes da base de imagens de entrada, para avaliar qual combinação produz melhores resultados. Experimentos foram realizados usando o aumento de dados na base Labeled Faces in the Wild (LFW). Os testes mostraram que a acurácia para essa base chegou a 98.43%. Também foi criada uma base de dados proprietária composta por imagens de 12 indivíduos. Para essa base a melhor acurácia foi de 95.41%. A melhoria dos resultados com o método proposto leva a inferir que o aumento de dados é um passo essencial para a tarefa de reconhecimento facial. No entanto, como a operação de aumento que mais contribui com a melhora os resultados não é a mesma para as duas bases de entrada é necessário realizar esse estudo para cada aplicação.