人脸识别作为目前流行的生物安全验证方法,随着人们对安全信息的重视化程度的增加,现已应用于诸多领域。由于二维人脸识别受光线、表情、姿态等影响较大,整体人脸识别鲁棒性低,而且二维人脸的安全性较低。所以三维人脸识别成为了目前研究热门的升级方案,三维人脸识别技术不仅仅可以提供传统的二维人脸信息,更加入了人脸的纹理和几何特征,还能额外提供真实场景的深度信息,识别效果比二维识别有了一定的提升。但是三维人脸识别有三个问题亟待解决:一是缺少大量的训练数据;二是单个三维人脸数据样本数据量大,不便于进行深度学习;三是目前没有一个合适的深度模型适用于三维人脸识别。对于训练数据不足的问题,通过对比三维人脸数据集后本文采用BFM2017人脸数据集,该数据集提供平均人脸、形状和表情等参数,通过采用高斯概率方法对该数据集分别对三维人脸的形状、表情进行随机拟合人脸从而达到扩充训练数据。对于单个三维人脸数据样本数据量大的问题,本文提取数据集中的点云信息并计算点云的曲率,一方面可以减少数据量,另一方面可以统一数据格式,便于在其他数据集上进行测试,提高方法的通用性。针对目前还没有统一的三维人脸识别深度学习的模型,本文将对物体分类分割的Pointnet++网络用于三维点云人脸识别,该网络旨在Pointnet网络模型的基础上将整个物体点云提取全局特征改进为分层的提取局部特征。通过Pointnet++网络,并改进其SA模块中的采样层和分组层:对于采样层,本文引入曲率特征代替原先迭代最远点采样方法以迅速挖掘出特征点;对于分组层,本文使用KNN邻域查询代替了原先网络的球半径查询分组方法。最后本文修改和对比了Pointnet++网络中的损失函数,分别选取了Softmax损失函数、Centor损失函数和ArcFace损失函数进行实验对比分析,实验证明在ArcFace损失函数中分类本文的人脸效果最好。同时为了验证本文所采用方法的有效性,在CASIA 3D数据集上进行预处理并分析不同表情和姿态下的识别率。