经过多年发展，将二维、三维两种模态的信息融合起来进行人脸识别已然成为当今的主流方向。采用单一的二维人脸进行特征提取通常受光线、表情、姿态等环境因素影响较大，导致识别率相对较低，而三维人脸对环境因素具有较强的鲁棒性，且包含更多的空间信息。但是三维人脸数据处理计算的复杂性较高，所以融合二维人脸强度图和三维人脸深度图信息进行人脸识别，不仅计算效率高，而且能得到很高的识别精度。本论文的主要研究方向和工作重点具体包括以下三个方面：针对单一的二维人脸图像进行稀疏保持投影(SPP)过程中对原始训练样本进行稀疏重构时导致的误逼近问题，提出了一种基于核的正交稀疏重构保持投影(KODSPE)人脸识别算法。使用核函数变换把训练样本映射到高维度特征空间，从而获取包含更多鉴别信息的核稀疏表示系数。然后对核稀疏表示系数进行稀疏重构，增加同类非近邻样本权重，减少异类近邻样本权重。最后对整体进行正交约束变换，提高训练样本稀疏重构能力。该算法在Orl和Yale_b人脸库上进行实验分析，最终结果验证了此算法的高效性和鲁棒性。为了克服环境因素影响，获取三维深度数据中关键特征点信息，提出了一种三维人脸数据的关键特征点定位算法。该算法利用中值滤波器对三维人脸模型进行非线性滤波去除孤立噪声点，然后将点云模型进行二值化处理，去掉点云模型中背景区域干扰信息基本定位人脸所在区域，并对获取到的区域进行分块处理。然后通过求取点密度排除候选区域中的干扰点信息，得到鼻尖点并进行坐标统一配准，最后通过鼻尖点获取水平与垂直方向上由深度变化标记的关键特征点。该算法能够有效的去除点云模型中存在的干扰信息，从而更精准的进行特征点定位。根据上述的已标记特征点并经过配准的模型获取完备训练样本。并提出了一种基于关键特征点的多信息融合人脸识别算法。通过改变条件控制参数获取二维虚拟图像并划分成多个包含聚类特性的子集，提高训练样本的完备性从而解决多数人脸特征提取方法中存在的非线性问题。由于各个特征点在不同姿态和光照条件下对分类识别的贡献能力是具有差别，因此对他们进行加权处理。然后利用LFA既能提取全局信息又能识别局部信息的特性对关键特征点进行融合分析。得到的LFA可能存在较大的冗余，故考虑采用PCA算法进行降维处理，从而得到最终的特征子空间。