随着模式识别的发展，基于生物特征识别的身份认证系统正被人们重视。然而，传统的生物特征识别系统的识别率常受到环境以及生物学特征自身局限性的影响，由此引发了对多模态生物特征识别系统的研究。人脸和虹膜识别作为模式识别中备受关注的两种识别方式，也各自遇到瓶颈问题。因此，人们提出将人脸与虹膜特征进行融合，构成多模态生物识别系统，以改善单模态生物系统中遇到的问题。但是，在特征层对人脸识别与虹膜识别进行融合一直都没有被很好地实现，因此具有重要的研究价值和应用前景。本文研究实现人脸与虹膜特征层融合识别的关键方法，主要工作和成果如下：　　 1)研究了经典Discrete Adaboost算法及其扩展Real Adaboost算法，通过实验对它们进行了对比分析，结果表明，Discrete Adaboost更适用于小样本集的分类器训练。　　 2)根据人脸识别特点，提出一种能够快速实现样本训练的改进Adaboost算法——Biased Adaboost。相比于Discrete Adaboost，该算法能够在保持分类准确度的情况下，有效缩短样本的训练时间。在典型数据库上的实验结果表明，该算法不但缩短了分类器训练时间，且所选择的分类器相比传统Adaboost显得更为合理。　　 3)研究了纹理描述算子LBP和CS-LBP，选择CS-LBP算子描述人脸与虹膜。探讨了在虹膜中是否存在稳定特征区域的问题，并实验验证了采用一部分虹膜特征区域仍能够很好地实现虹膜识别。因此得出结论：通过挑选特征来构造分类器的集成学习方法不但适用于人脸识别，同样也适用于虹膜识别。　　 4)利用Adaboost算法和CS-LBP特征，实现了虹膜与人脸的特征层融合识别。实验结果表明，多模态识别系统的识别效果要优于单模态识别系统。