人脸识别因其广泛的应用前景取得了巨大的发展。由于三维人脸数据包含了二维图像数据中缺失的关键性深度信息,其有望克服或减轻二维图像受光照、姿态、表情变化等因素的影响,因而受到越来越多研究者的关注。　　 特征提取是模式识别领域最基本、最重要的问题之一,在人脸识别中,如何从人脸数据中提取出有效的人脸特征是进行人脸识别的关键。本文研究和分析了相关特征提取技术,并根据二维人脸图像和三维人脸图像的信息互补性,将二维和三维人脸识别进行决策融合,有效地提高了人脸识别的准确率。本文的主要工作和研究成果如下:　　 (1)对传统PCA线性特征提取方法和流形学习中的LLE、LPP非线性特征提取进行了研究分析,由于人脸往往处于一个高维的非线性流形结构,因此本文选择流形学习算法对二维灰度图像和三维深度图像进行特征提取。通过实验对比LLE和LPP的优缺点,证实了LPP在人脸识别中有较好的识别精度和鲁棒性。　　 (2)研究了多特征提取的三维人脸识别技术。将PCA和LPP两种特征提取方法分别运用于二维灰度图像和三维深度图像上,然后对两类图像上所获得的匹配得分进行决策融合。同时分析了决策融合中的三种融合方式。分别用最大得分法,距离乘积法,权重求和法对不同的特征提取方法进行决策融合,实验证明权重求和法具有较好的性能。　　 (3)基于上述研究工作,本文在Visual C++6.0和Matlab环境下开发了基于多特征提取的三维人脸识别实验系统,并在ZJU-3DFED、3DFACE-XMU和Texas3DFR库上进行实验,结果表明,本文提出的利用基于LPP的二维人脸识别和基于LPP的三维人脸识别的权重求和决策融合算法,可以有效提高人脸识别的准确率。