在众多生物识别技术中,人脸识别技术作为应用最广泛的一种生物识别技术,受到大多数研究者的追捧。然而,二维人脸识别广泛应用的同时,暴露出越来越多的问题。二维人脸识别主要依靠彩色图像进行特征提取,但是彩色图像只包含人脸的纹理信息,缺乏立体信息。因此在光照暗淡、面部遮挡的环境下,识别效果非常低。而三维人脸数据凭借其三维的、立体的特点,促使越来越多的学者转向三维人脸识别研究。同时,随着深度相机的普及,获取人脸三维数据变得愈加简单,而且能够同时获取人脸的二维数据。彩色图即二维数据携带人脸纹理信息,深度图即三维数据携带人脸深度信息,利用彩色图和深度图两种不同模态的数据进行三维人脸识别,能够克服因为光照、遮挡、表情带来的影响。论文围绕融合人脸彩色图和深度图两种不同模态的数据来实现三维人脸识别任务。通过深度学习方法开展研究。具体研究内容如下:第一,根据RGB图像和深度图之间的互补关系,提出一种基于卷积自动编码器的多模态融合算法。该算法的输入为人脸RGB图像和深度图,输出为二者的重构图像和融合图像。算法分为两大部分:编码层和解码层。编码层共两路,分别对彩色图和深度图进行特征提取,并在编码层的末端将两者的特征向量使用最大选择法进行融合。解码层共三路,分别将彩色图和深度图的特征向量以及融合向量进行反向卷积操作,并在解码层末端输出二者的重构图像和融合图像。设计实验,与其他融合算法进行对比,实验结果证明多模态融合算法的有效性。第二,提出一种基于多尺度融合的轻量级分类网络模型。为了减少参数量,提升学习速度,分类网络主干只有四层。为了提升性能,提出了多尺度融合模块。分类网络模型中每一层提取到的特征图不仅向下传递到下一层,而且会被多尺度融合模块收集。在多尺度融合模块中,对所有的特征图向上采样到一个固定大小,并以通道维度进行连接,以此来融合不同尺度的特征图。对比分析该分类网络模型与其他主流网络模型的性能,测试结果证明,该网络模型在参数量较少的情况下性能有了一定提升。第三,论文充分分析人脸识别相关任务的难点,并针对难点提出一种基于巴氏距离的损失函数cluster loss。cluster loss分为两部分,第一部分为center loss,用以减少类与类中心之间的距离;第二部分基于巴氏距离实现,减小类中心与类中心之间的相似度。cluster loss与softmax loss联合约束,不仅实现类内紧致,而且能够扩大类间的差异。设计对比实验,验证cluster loss的性能,实验结果表明cluster loss能够提升人脸识别的性能。最后,结合上述研究内容,论文提出了三维人脸识别任务框架,根据此框架在Texas3DFRDatabase数据集上进行实验,并与其他三维人脸识别算法进行对比,取得相当不错的识别效果。验证论文提出算法的可行性及合理性,并且能够证明该算法具有相当不错的应用前景。