人脸识别作为计算机视觉和人工智能领域的热门研究方向,一直以来备受人们关注。人脸识别技术虽然经历了几十年的发展,但是由于现实场景中人脸的表现形式过于复杂,如今的人脸识别技术仍难应用于实际场景中。本文从三维角度出发,抓住人脸识别中经常被忽略但是信息量非常大的三维深度信息,并利用深度学习的方法,分析了三维信息在人脸识别中的重要性,之后本文还提出了几种有效的二维和三维信息的融合策略。本文选取了深度学习中的卷积神经网络作为基础研究方法,根据自身实验数据库的特点,提出了一个八层的卷积网络结构,此网络采用了两个卷积层和两个下采样层,一个局部连接层,两个全连接层以及一个回归层。此网络在能够取得很好识别率的基础上尽量降低了参数数量,避免训练过程中的过拟合,同时少的网络参数也能降低网络对于数据量的依赖性。实验结果表明,此网络的数据依赖性很低,在较少数量的样本集上表现结果良好,鲁棒性高。为了验证三维人脸信息的有效性,本文采用建立的八层卷积神经网络,进行了对比试验,实验结果表明单独的利用三维人脸数据比单独利用二维人脸数据更加有效。之后本文提出了三种不同的二维和三维信息的融合方式,分别是RGB-D、Gray-D和RGB-D-W。最终的实验结果表明,不损失任何信息的RGB-D的融合方式得到的识别准确度最高。本文采用了能够提取非线性高级特征的深度学习方法,深入研究了在人脸识别领域中三维信息所起到的作用。本文提出了自己的卷积网络结构,并利用此结构分析和对比了二维和三维信息在人脸识别中起到的作用,并提出了一种较好的二维和三维信息的融合策略。