人脸识别技术作为生物特征识别技术之一,因其自然性、非接触性、唯一性和主动性等多种优势,获得了广大科研人员的关注。随着科学技术的快速发展,人脸识别技术也获得了不小的进步,二维人脸识别技术已经成熟,并且被广泛的应用到我们的生活中。二维人脸图像的本质是三维人脸图像在二维空间的简单投影,缺少了三维人脸图像的空间信息,如人脸曲面信息、人脸曲率信息和人脸空间结构信息。因此,二维人脸识别不可避免地遭遇了光照、姿态和表情等因素的影响。与二维人脸图像相比,三维人脸图像更符合人眼视觉的特点,并且,三维人脸图像拥有真实人脸的空间立体信息,因此,三维人脸识别技术成为人脸识别领域的研究热点。针对二维人脸识别方法对光照、姿态和表情变化的鲁棒性差,本文在Texas3DFRD三维人脸数据库的基础上,基于深度学习的方法,开展三维人脸识别技术的研究,论文具体工作如下:首先,本文对深度学习中经典的分类网络VGG(Visual Geometry Group,VGG)卷积神经网络进行了研究。结合不同尺度下的特征,本文提出了跨层链接的VGG卷积神经网络(Cross-layer Visual Geometry Group,CLVGG)。从网络结构和网络参数两个方面对VGG卷积神经网络分类算法进行了改进,在网络结构方面,针对VGG中的连续卷积结构,为了提升识别精度,本文提出了自卷积层到池化层的跨层连接结构,增加了不同尺度特征;在网络参数方面,增加了最后一个卷积层卷积核的数量,去除了其中一个全连接层,降低了网络模型的总参数。并在Texas 3DFRD三维人脸数据库的基础上,对比分析了VGG网络与CLVGG网络的识别精度和运行效率,实验结果表明,CLVGG卷积神经网络在识别精度和运行效率两个方面都有所提升。然后,在Texas 3DFRD三维人脸数据库的基础上,结合CLVGG卷积神经网络分类算法,开展了二维人脸识别、三维人脸识别和多模态融合的人脸识别对光照和表情等影响因素的鲁棒性实验分析。实验结果表明,人脸三维信息能够有效提升人脸识别在光照和表情等影响因发生改变情况下的鲁棒性。最后,本文基于Kinect V2深度摄像头和图形用户界面应用程序开发框架Qt,设计和实现了三维人脸识别系统。将本文所提出的算法应用到了该系统中,并在自建的三维人脸数据库的基础上,验证了系统的正确性、可行性和有效性。