生物特征识别技术一直伴随着人类社会的发展,现代社会网络化和信息化程度的日益提高,对生物特征识别技术也提出了新的要求。Gabor滤波器包含有很强的方向特性和尺度特性,多方向和多尺度的Gabor滤波器特征提取方法被广泛应用于人脸识别、掌纹识别、指纹识别和虹膜识别等生物特征识别技术。然而传统的Gabor滤波器不能很好地提取出图像中局部的弯曲特征,对于诸如人脸面部的鼻子、眼睛等区域的弯曲处不具有很好的表征能力。本文在传统Gabor滤波器的基础上加以改进,并结合特征融合技术和多模态技术作了以下创新研究工作:首先,本文对传统的Gabor滤波器加以改进,使改进之后的Gabor滤波器不仅可以提取出图像中的多方向和多尺度信息,而且对于图像中弯曲的边缘处也具有很强的表达能力,因此可以达到更好的分类效果。其次,为了充分利用Gabor滤波器多参数下的多特征信息,同时为构造多模态中的每个单独模态奠定基础条件,本文将不同参数特征下的图像的不同表现形态进行特征融合,以获得原始样本中信息量丰富、特征维数不会太高、信息冗余小的单独模态。本文提出的多元相关性方法结合Gabor滤波器的多方向特性来进行信息的特征融合,可以有效解决目前特征融合所存在的问题:维数过大或者适用情形难以推广。最后,本文引入多模态学习技术,结合Gabor滤波器的多特征特性,可以达到更好的识别效果。在现实世界中,图像往往能够从多个模态被描述,因而其拥有多种样本或特征集合的表现形式。现在,越来越多的应用需要对数据进行识别,而这些数据通常来自于不同模态。因此,基于多模态的识别问题是一个热门且具有广泛应用前景的研究课题。传统的特征提取方法,如线性鉴别分析等,都是从单个模态出发解决问题,无法直接应用在多模态识别问题上。近些年来的多模态学习方法着重于挖掘多模态间的鉴别特征而忽视了多模态内有效的鉴别信息。在本文提出的多模态鉴别学习框架中,来自不同模态下的样本通过投影变化映射到统一的鉴别子空间中,在这个子空间里,来自相同和不同模态的同类样本都相互聚集,异类样本相互分开。本文通过在HK PloyU掌纹数据库、FRGC人脸数据库和AR人脸数据库等多个数据集上进行实验验证,最终的实验结果表明了本文创新工作的可行性。