利用人脸的空间形状结构信息进行分类的三维人脸识别是人脸识别领域新的研究热点，人们寄希望于它能解决传统二维人脸识别的光照、姿态、表情变化的瓶颈问题，目前正受到广泛的关注，初步的研究成果令人鼓舞。　　 三维人脸识别系统目前研究热点主要包括数据获取、特征点检测、建模、去噪、特征提取、分类器设计、与二维人脸信息的融合等关键性问题。本文针对其中的特征提取、分类器设计、多模态融合等三个问题进行了研究。文中主要工作与贡献包括：　　 1.在特征提取方面，提出了一种基于几何特征和关联特征统计量的特征提取方法。一方面从全局统计的角度分析比较了传统的几何特征，如深度、曲率等：另一方面提出关联特征来描述人脸的三维结构，并提出了一种三维局部二值模式描述子(3DLBP)来描述三维人脸的关联特征：最后融合几何特征和关联特征统计量形成一种可分性好的三维人脸特征。　　 2.在分类识别方面.提出了一种基于类内类间深度差直方图统计量的识别方法。人脸的深度图像的象素值直接反映了人脸上每点的三维深度信息，他们的相减差就直接反映了两幅人脸结构特征差异。与灰度差异会受到光照变化的强烈影响不同，这种深度差异只受预处理配准误差和表情变化的影响。我们采用计算局部最小差异绝对值来代替两幅深度图像的直接相减，并提出三种框架来融合局部匹配和全局匹配，以减小配准误差和表情变化的影响。实验结果表明经过两步改进处理，两者的影响小于不同人脸的差异影响，所提出的的方法取得很好的识别效果。　　 3.在多模态融合方面，研究分析了目前融合二维和三维信息的人脸识别的研究现状，并做了一些尝试性探索。我们将局部GABOR二值模式算子应用于三维人脸识别，并比较分析了一些常见的融合方法的融合性能。　　 总的说来，本文对三维人脸识别的特征提取、分类识别、多模态融合等环节做了一些初步尝试和探索。