Các dịch vụ dựa trên định danh ngày càng phổ biến và mang lại nhiều tiện ích cho người dùng. Định danh tự động giúp mang lại các trải nghiệm dịch vụ cao cấp cho người thụ hưởng trong rất nhiều lĩnh vực như giáo dục, nghỉ dưỡng, chăm sóc sức khỏe, chăm sóc khách hàng. Nhiều mô hình và phương pháp đã được đề xuất để giải quyết bài toán định danh người dùng, trong đó kỹ thuật dựa trên hình ảnh khuôn mặt được sử dụng rộng rãi do có nhiều ưu điểm về khả năng thu thập dữ liệu, khả năng cá biệt hóa. Tuy nhiên, một hệ thống định danh với độ chính xác cao và tốc độ theo thời gian thực vẫn là mục tiêu của nhiều nghiên cứu trong thời gian gần đây. Bài báo giới thiệu một phương pháp học chuyển tiếp kết hợp giữa mô hình mạng nơ ron nhân tạo CNN và mô hình máy véc tơ hỗ trợ SVM cho bài toán này. Một kiến trúc CNN được đề xuất và được sử dụng như là bộ trích rút thuộc tính cho mô hình SVM làm nhiệm vụ phân lớp các đối tượng. Các kết quả thu được cho thấy sự cải thiện đáng kể về độ chính xác trong định danh cũng như thời gian huấn luyện so với các mô hình riêng lẻ., Tóm tắt tiếng anh, Identity-based services are becoming more and more popular and bring many benefits to users. Particularly, automatic identification helps bring highclass service experiences to beneficiaries in many fields such as education, resort travel, health care, customer care. Many models and methods have been proposed to solve the problem of user identification, in which face image-based techniques are widely used due to many advantages in terms of data collection ability, personalization. However, an identification system with high accuracy and real-time speed is still the goal of many studies in recent times. In this paper, we introduce a transfer learning based method that combines CNN and SVM models for the face identification problem. A CNN architecture is proposed and used as a feature extractor and then, the SVM model for object classification. The obtained results show a significant improvement in the accuracy of the image classification as well as the training time.