在所有的生物特征识别中,人脸识别因具有最自然、友好、对用户干扰少、易被用户接受等优势被人们广泛研究,成为模式识别领域里最热门的课题。人脸自动识别技术是用计算机分析人脸图像,从中提取有效的识别信息并通过分类器自动鉴别的一种技术。在过去的几十年中,人们把大部分工作重点放在二维灰度和彩色人脸图像的研究上。2D人脸识别技术已渐渐走向成熟。然而,二维人脸固有的缺陷例如姿态,光照,表情以及附属物变化等影响,使开发一个准确的鲁棒的二维人脸识别系统非常困难,二维人脸识别由此陷入一个巨大的瓶颈。三维人脸信息为人们了解人脸在三维空间上的构造特点提供了很好的方法,并有望改善人脸识别系统的识别率。本文对三维人脸识别技术和三维人脸识别系统的实现有比较全面的论述,理论研究关注的重点在于分类器的设计和信息融合算法,一系列的工作为日后的研究奠定了基础也确定了方向,同时也充分认识到本文自身的局限性,并对后续研究提出了目标与希望。人脸识别包含人脸图像预处理,特征提取和分类器设计三个方面。本文主要工作内容包括:双模数据获取、分类器设计和双模数据融合理论研究和实验证明主要内容如下:第一,双模数据的获取。从含有颈部、肩部、头发、背景等区域中检测出人脸部分,完成三维人脸数据鼻尖点定位,噪声和尖点去除,孔洞填补,ICP配准等预处理工作,得到归一化以后的二维灰度数据和三维人脸深度数据。为了减弱表情的影响,本文提出将区域选择后的人脸深度图作为标准3D深度图。第二,支持向量机和RBF神经网络分类器的研究。将SVM分类器应用于3D深度数据的人脸识别,比较2D和3D数据的识别结果。首次提出采用RBF神经网络分类器用于3D数据的人脸分类。第三,双模信息融合算法的研究。比较不同光照和表情下的二维和三维人脸识别性能,提出了信息融合算法,分别采用数据级、特征级和决策级的信息融合,进一步提高识别率。实验表明,采用决策级信息融合达到最好的识别效果。