近年来,可见光人脸识别技术发展迅速。然而可见光人脸识别技术存在对光照条件变化敏感、易受伪装影响和难以实现活体识别等缺陷。相较于可见光人脸识别系统,基于热红外图像和红外光谱两种模态信息融合的人脸识别系统具有不依赖外界光源、抗伪装、防欺诈等优势,因此其更具有重要的研究价值及应用潜力。本文针对图谱融合人脸识别技术进行了如下研究工作:（1）本文在深入研究人脸热红外图像特性和红外光谱特性的基础上,针对现有的热红外人脸数据和红外光谱数据不足的问题,张天序教授团队构建了热红外人脸数据集和红外光谱人脸数据集,为后续算法有效性的验证提供了必要的数据支持;通过对人脸检测、人脸对齐、人脸识别三个子算法的探讨与分析,设计了一个完整的图谱融合人脸识别算法的结构流程。（2）针对热红外人脸检测的问题,本文提出了ZGS＿YOLO人脸检测算法。该算法对YOLOv3目标检测算法进行减少检测用的特征图数量、轻量化网络骨架模型、使用更匹配人脸的先验框尺寸三个方面的改进,实现了较好的热红外人脸检测。实验结果表明,ZGS＿YOLO可获得98.54%的检测精度,单帧图像检测用时0.203s。（3）针对现有的可见光人脸对齐算法难以直接用于热红外人脸对齐的问题,本文在生成对抗网络技术基础上,提出了一种基于关键区域对齐的热红外人脸对齐算法。实验结果表明,该对齐算法可以将热红外人脸关键点的平均定位偏差控制在1个像素以内,有效的解决了热红外人脸对齐这一难点。（4）针对对齐后的热红外图像与红外光谱两种模态信息融合识别的问题,本文提出了一种基于自适应权重的特征融合策略的人脸识别算法。该算法通过不同模态特征的有效融合,提升了人脸识别算法的识别精度。于自建数据集上,获得识别准确率98.73%,取得模型AUC为0.9903;相较于特征融合拼接策略的人脸识别,本文的特征融合识别算法的识别准确率提升了1.15%;相比于仅使用单模态热红外图像特征或者红外光谱特征,基于图谱两种模态特征融合的识别算法的识别准确率分别提升了1.71%、2.21%,且拥有了更好的稳定性和判别性。