随着科技的飞速发展,社会的不断进步,众多领域都迫切需要高效的身份验证方式。人脸作为个人独有的身份标识,具有交互性好、难以伪造等优点,因此可以利用人脸进行个人身份的验证与识别。随着计算机处理性能的提高以及三维数据采集设备的升级,三维人脸识别技术迅速发展。相比于二维人脸识别技术易受表情、姿态、光照、遮挡等外界影响,三维数据能更丰富地表达面部信息,更全面地反映人脸的几何构造,即使是外界条件发生变化,三维信息的丢失量也远远小于二维数据的,因而越来越多研究者关注三维人脸识别。针对三维人脸识别算法计算复杂度高以及遮挡情况下识别率低的问题,本文提出了基于双模态多尺度多分块梯度特征提取的三维人脸识别方法。具体的研究内容及成果如下:对三维点云数据进行预处理操作,提取深度图和灰度图,深度图是三维模态,包含了人脸图像的空间结构特征,灰度图是二维模态,包含了人脸图像的纹理细节特征,将两种模态下的特征级联融合,可以做到优势互补,有助于提高分类识别效果。对双模态图像进行加权多尺度多分块处理。通过多尺度操作可以提取三种尺度、三种尺寸下的人脸图像特征,以便充分体现人脸图像的本质信息。在多尺度操作的基础上进行多分块操作能保留原始图像的信息,同时增加了更多的细节特征。在两种操作中都分配了适当的权重来凸显重要的尺度和分块,以此提升特征的独特性。在人脸特征的提取过程中,本文提出了局部梯度模式(Local Gradient Pattern,LGP),利用不同方向的梯度来表示每一个像素点的特性。对深度图和灰度图提取LGP特征和梯度方向加权直方图(Weighted Histogram of Gradient Orientation,WHGO)特征,利用本文提出的相似度阈值降维法对级联的LGP和WHGO特征进行处理,剔除冗余信息,得到双模态人脸识别的LGP-WHGO特征并利用支持向量机(Support Vector Machine,SVM)进行人脸分类识别。本文在CASIA、FRGC v2.0和Bosphorus三维人脸数据库上进行了实验,并和目前流行的七种三维人脸识别算法进行对比,本文方法的识别率整体上高于其他方法,LGP-WHGO特征在光照,姿态偏转,遮挡,表情变化等方面具有良好的鲁棒性。