近年来,3D人脸识别一直是当下模式识别领域的热点。3D人脸识别相对于指纹识别,虹膜识别等识别系统有着先天的优势,主要体现在操作简单方便,对目标具有相当小的侵犯性,甚至可以在目标没有察觉的情况下对目标进行检测,这是其他检测方式做不到的。然而,现阶段算法的准确率相对于其他检测方式有明显的不足,大部分算法的鲁棒性不高,只在个别的数据库上有较好的效果。相较于传统人脸识别,由于3D人脸识别不依赖与可见光成像,所以可以有效的避免传统人脸识别对于光照敏感的这一问题。同时,3D人脸相对于2D人脸包含了更多直观的人脸信息,如果将这些信息正确的应用,则3D人脸识别算法必将比2D人脸识别获得更高的正确率。本文提出的这种3D人脸识别系统引入了若干个增强鲁棒性的方法,使得算法的鲁棒性得到保证。首先提出了一种逐级筛选的鼻尖点定位方法,这种方法鲁棒性强,而且复杂度可以接受。人脸识别部分的算法使用了局部曲线特征作为人脸的特征,这使得算法能容忍人脸上的部分数据丢失。引入了3D人脸的深度投影,测地投影和曲率投影来充分利用3D人脸特征,并且通过实验证明使用这三种人脸信息是必要的。在判定阶段,使用了神经网络作为判定方法,该算法交叉计算同一人目标的不同人脸之间的特征值,使得训练集十分充足,网络的训练效果较好。算法分为人脸预处理、姿态校正、特征计算、使用神经网络判定四个步骤。在论文的结尾展望了3D人脸识别的不足和改进的设想。