人脸识别技术是模式识别和机器视觉领域最富挑战性的研究课题之一，在公共安全、信息安全、人机交互等领域中有着广泛的应用前景。目前，大多数算法都是针对二维灰度图像，在严格的限制条件下获得了较好的识别率。但当光照、姿态等因素发生变化时，识别率会骤然下降。原因在于识别信息的缺失，解决此问题的方法是辅助更多的信息，三维信息是人脸的固有信息，对外界条件的变化具有很好的鲁棒性。因此，针对二维人脸图像的识别问题，辅助于人脸的三维信息是打破该技术瓶颈的突破口。但是三维人脸信息获取设备的高成本和局限性，限制了这方面的研究发展。 建立三维人脸模型是一种提供三维信息的行之有效的方法，如何建立适用于人脸识别的三维人脸模型、获取有效的三维特征仍然是一个有待解决的问题。因此本文提出了一种基于二维三维信息融合的人脸识别方法，输入为二维人脸图像。首先提取图像的二维特征，然后针对原始的二维图像重建相对应的三维模型，提取三维特征，对二维特征和三维特征分别分类识别，在决策层融合两种识别结果，得到最终的识别结果。 本文的主要工作体现在以下几个方面： 1、对于二维人脸特征，研究和分析了局部二进制模式(LBP)的理论基础和特性，利用基于Gabor变换的局部二进制模式(GLBP)作为人脸二维表示特征。即首先对图像进行Gabor变换，然后对变换后的图像分块，对每个分块区域提取GLBP统计直方图特征，最后将这些直方图序列串联起来形成最后的人脸特征向量。 2、对于三维人脸特征，由于原始的三维人脸信息难以获取，提出了基于三维人脸模型的三维人脸信息的获取策略。对于重建的三维人脸模型，根据面部特征分布及表示能力，首先定义了54个特征点，利用鼻尖点与各个特征点之间的测地线距离作为表示特征。由于测地线距离的引入，使得该表示特征对于面部表情变化具有的鲁棒性。 3、为了更好地融合二维、三维特征，提高识别效果，提出了基于Fisher线性判别准则的特征融合策略。该策略根据二维与三维特征在识别过程中的贡献，以类内和类间特征相似度均值差与类内和类间的散度平方和之比的大小作为该类特征权重，在决策层为不同的特征赋予不同的权重，然后采用加权求和规则对两种特征识别结果进行融合，得到最终的识别结果。最后在CAS—PEAL-R1人脸库中进行了实验及分析。