受制于数据采集硬件的限制,在过去的几十年,人脸识别主要是在二维的图像上进行研究。在光照、姿态、遮挡等变化可控条件下,二维图像识别已经达到了很好的识别效果,有些技术已经商业化。在复杂环境下,二维人脸识别仍然会受光照等条件影响。三维人脸识别由于其完整的保存了人脸空间信息,反映了真实的人脸形状,在生物学上模拟了人双眼的真实世界,对光照、姿态、遮挡等因素不敏感,对二维人脸识别是有效的补充。本文分析了人脸识别领域的研究现状,结合局部特征提取,将卷积神经网络应用于三维人脸识别,采集低分辨三维数据库,以验证算法在低成本硬件上的适应性,主要工作如下:首先根据局部描述符算法meshSIFT的特性,提出基于角度加权的匹配方法。对比以数量为基础的匹配方法,角度加权能解决在匹配数量相同条件下的误判问题,在Bosphorus数据库上验证,Rank1识别率提高3%以上。然后提出相似矩阵图概念,将三维人脸识别转换成二分类问题。基于卷积神经网络(CNN)在图像二分类上的优势,使用CNN模型对归一化的相似矩阵图进行数据增强、训练、识别。实验验证该算法在Bosphorus数据库Rank1识别率达99.46%。为了验证算法在低成本、低分辨率三维设备上的适用性、鲁棒性,通过微软Kinect2代设备采集了Kinect2SZU数据库供三维人脸识别算法进行测试。和Kinect 1代设备采集的公开数据集Kinect FaceDB数据库相比,各个算法准确率略有提高。但是和用高精度的扫描设备采集的Bosphorus数据库相比,传统手工特征方法在Kinect数据库上识别准确率都大大降低,识别率不到45%。实验表明三维数据的分辨率对识别精度有很大影响。相对其他基于传统手工特征方法而言,我们提出的卷积神经网络算法具有好得多的鲁棒性。该方法在KinectFaceDB和Kinect2SZU两个数据库上分别取得了70.19%和80.16%的准确率。