在过去十年间,已经出现了不少用于身份识别的三维人脸识别的研究,三维人脸图像具有普遍性和非侵入性,现已成为非常有前途的研究方向,其解决了二维人脸的局限性,如姿态、表情、光照的变化以及自身遮挡的影响。而初期三维人脸的研究方法一般是彩色图加深度图,但它并不是真正意义上的三维图像,一定程度上,它损失了一部分几何形状等信息。还有一些方法把三维图像投影到二维上,再采用二维的方法研究人脸识别的方法。随着计算机硬件迅速的发展和升级以及3D扫描技术的进步,推动了三维人脸识别的发展,提高了识别的的准确性和应用的可靠性。在此背景下本文开展了基于Mesh-LBP融合多种特征信息提取与支持向量机SVM方法的研究。并取得了如下的研究成果;提出了改进的自适应人脸分割方法、融合多种三维的几何形状和纹理信息,以及亮度信息的特征提取方法、结合支持向量机SVM分类预测的方法等。本文的主要研究内容如下:(1)针对二维人脸容易受到光照、姿态、表情的变化以及自身遮挡的影响,而三维人脸包含了更加丰富的信息量。本文研究了一种融合曲面形状和纹理等多种特征信息进行特征提取的方法,其中曲面的标量函数有高斯曲率、平均曲率、最大最小曲率、亮度信息、协方差以及形状指数,并研究了融合不同描述符的方案。(2)针对三维一般以鼻尖为球心,以一定长度为半径来分割人脸的方法出现的缺点:容易受到环境变化以及自身表情变化的影响、可能会出现分割严重缺失或包含了衣领等多余的信息的问题。本文研究了自适应改进的人脸分割方法。先对包含头部以下多余的信息作简单的预处理,去除衣物等多余的信息,再以鼻尖点为球心,以鼻尖点到头顶的距离乘以一定权值为半径画球来分割出三维人脸。大量实验表明该方法比原来的方法有明显的提升。(3)通过前面提取的多种三维人脸特征信息并融合在一起.对其进行直方图归一化,结合支持向量机SVM进行训练分类和预测,得出最终的识别结果。SVM数学理论完善,对训练样本要求不多,只需要少量支持向量的个数就可求得决策函数,具有健壮的泛化能力,并且能得到全局最优的解,广泛应用于模式识别和计算机视觉等领域。实验结果表明,图像的分类SVM在三到四轮的相关反馈后,SVM比传统的方法有更高的精确度。