人脸识别技术作为典型的生物识别技术在商业、司法、监控以及视频检索等领域有着广泛的应用。与其他人体生物特征相比,人脸数据的采集具有直接、友好、方便的优点,但是采集到的数据一般为单光谱数据,其中可见光成像易受光照变化的影响,而热红外成像对目标温度的变化敏感,两者都有不足之处,所以图像融合是改善图像质量,提高识别率的有效方法。本文使用了像素级的三种融合方法对可见光和红外光图像进行了融合,并使用了“熵”、“交叉熵”和“互信息量”客观指标对融合图像进行了评价。此外,实验使用了主成分分析法、线性判别法和基于随机投影的1-范数最小化稀疏表征的人脸识别方法对多光谱数据进行了识别,并利用CSU(Colorado State University )人脸识别评估系统的分析工具对识别结果进行了准确性评估。实验表明,基于随机投影的1-范数最小化稀疏表征的人脸识别方法能用较少的训练样本表征测试样本,有效的隔离遮挡,在各种光谱数据下的识别率都是最高的。在算法稳定性评估方面,由于一般的Bootstrap评估方法要求数据样本满足独立同分布的假设,而本文使用的人脸数据对这种假设不成立,因此,本文采用了类Bootstrap方法对三种人脸识别算法的稳定性进行了评价,稳定性指标使用了相等错误率的置信区间。为了对比类Bootstrap评估方法与传统的Bootstrap方法的区别,本文分别进行了50次和200次随机抽样的统计实验,实验表明类Bootstrap评估方法较之传统的Bootstrap方法置信区间小,可信度高,并且随着实验次数的增加,评估结果更加准确;三种识别算法中基于随机投影的1-范数稀疏表征的人脸识别方法在各种光谱下相等错误率最小,表现出良好的鲁棒性,但其稳定性能不如线性判别的人脸识别方法。