随着深度学习的蓬勃发展,人脸识别技术已经应用到人们日常生活中的方方面面。常用的在可见光领域的人脸识别技术已经超越人类,发展到了一个饱和期。然而,这并不能说明人脸识别的技术问题已经被全部解决。在人们的日常生活中,人脸识别技术仍然面对许多挑战,例如在光线不理想的区域,大部分设备采用近红外摄像头进行人脸图像的采集,但同时现存的人脸库基本都为可见光领域的图像。因此,引入了 NIR-VIS跨模态人脸识别的问题,这就要求算法不仅要能处理好表情、光照、遮挡和姿态等问题,还要能克服NIR和VIS域图像的差异。在这种背景下,本文从人脸检测、图像合成和人脸识别三个方面进行研究,设计并实现了基于NIR-VIS图像的跨模态人脸识别系统。本文主要工作有以下几点:1.针对MTCNN人脸检测算法对人脸进行裁剪时会造成人脸形变的问题,提出新的裁剪方式,测试结果表明,可以有效裁剪出与原图长宽比一致的人脸;2.针对NIR-VIS图像合成效果不佳的问题,提出CycleGAN算法进行图像合成,实现NIR和VIS域图像的相互转换,测试结果表明,经CycleGAN算法转换出的NIR人脸图像fakeNIR与数据库中realNIR人脸图像相似度较高;3.针对NIR域人脸识别效果不佳的问题,提出Insightface算法进行fakeNIR图像和realNIR图像人脸识别,在CASIA NIR-VIS 2.0数据集上准确率达到99.35%,测试结果表明,本文的方法在准确率上要优于主流的NIR-VIS人脸识别算法。综上所述,本文的研究工作取得了一定的成果,但是这并不能说明NIR-VIS跨模态人脸识别的问题已经被完全解决。第一,目前研究人员普遍使用的CASIA NIR-VIS 2.0数据库的规模较小,并不包含多种NIR-VIS跨模态人脸识别的情形。第二,算法系统应用的真实场景远比实验数据复杂。因此,NIR-VIS跨模态人脸识别还有继续研究的空间和必要。