得益于深度学习的发展,人脸识别技术取得了显著的进步。但在复杂场景中,二维人脸的识别性能常常达不到要求,三维人脸因携带空间信息,对光照、姿态等变化具有鲁棒性,在一定程度上能解决二维人脸的识别困境。但因三维数据采集设备昂贵,计算量大等原因无法在实际中展开广泛应用。RGB-D识别相对于2D和3D识别,充分结合了两者的优势,在采集成本低的同时,也具有空间信息。然而,受采集设备的影响,RGB-D数据存在深度图缺失的现象,深度信息的丢失将直接影响识别效果。因此,如何对深度图进行重建恢复空间信息是一个急需解决的重要问题。同时,在RGB-D人脸识别中,如何将纹理和空间两种模态信息进行融合仍然是一个研究难点。针对上述问题,本文提出了一套端到端的低精度RG B-D数据向高精度RGB-D数据转化并进行多模态特征自动融合识别的解决方案SDRNet(Share-Depth-Recognition-Networks)。针对RGB-D数据的空间信息缺失问题,本文设计了一个深度图高精度重建网络S D-Net(Share-Depth-Networks)。SD-Net通过学习纹理信息和空间信息的映射转换,对空间信息缺失部分进行修补,完成低精度深度图的高精度重建,从而实现低精度RGB-D人脸数据向高精度RGB-D人脸数据的自动转化。针对如何更好地对纹理特征和空间特征进行融合,本文提出了一种多模态特征间自动融合的方法。相比于常见的融合方法,本文的融合方法在保证纹理特征和空间特征互不干扰的前提下,进行多模态特征的自动融合和学习,从而实现RGB-D人脸的高精度识别。同时,将该融合方法和SD-Net结合起来,形成一套端到端的低精度RGBD人脸数据转高精度RGB-D人脸数据的多模态特征融合识别方案SDR-Net。最后,通过大量实验对本文提出的深度图重建和多模态特征融合识别方法以及整套SDR-Net方案的有效性进行了验证。