人脸识别作为一种友好、非接触的生物特征识别技术,可分为二维图像人脸识别和三维模型人脸识别。基于图像的二维人脸识别研究开展的较早,在实验室环境下已经获得了较高的识别率。然而,FRGC(人脸识别大挑战计划)测试表明即使是最好的二维人脸识别算法在光照、姿势、表情变换剧烈的情况下依然无法提供可靠的识别结果。三维人脸识别可以克服或减轻这些因素的影响。应用信息融合理论,将二维人脸识别和三维人脸识别在决策层融合,有望得到高效稳定的识别结果。文本在对这一领域所涉及到的算法进行了研究。为了解决二维Gabor特征维数过大的问题,本文对2DPCA(二维主成分分析)方法进行改进,提出R-2DPCA(增强二维主成分分析)降维算法,形成了完整的Gabor+R-2DPCA二维人脸识别方法。采用最近邻分类器分别在CASIA人脸库和ORL人脸库上进行实验,结果表明Gabor+R-2DPCA方法的识别率优于PCA和2DPCA方法,最高识别率达到了97.5%。本文研究了从原始三维模型到深度图的转换过程,并提出适用于深度图特征提取的LTP(局部三值模式)算子。在不显著增加算法复杂度的前提下,LTP方法表现出了良好的抗噪性。实现了Fisherface方法,将Fisherface与深度图LT特征提取结合起来,构成了三维人脸识别模块。在CASIA三维人脸库上进行了相关实验,验证了所提出的三维人脸识别算法的可行性,最高识别率达到了95.8%,训练时间与测试时间相对于传统Fisherface方法增加均不超过4%。最后结合信息融合理论,给出了2D图像与3D模型融合的四种模式。对四种模式的优缺点进行分析,提出了改进型决策层融合模型：先通过Gabor+R-2DPCA方法得到N个候选人,再利用深度图LTP+Fisherface方法得到最终识别结果。按照该模型完成了基于Gabor变换与深度图像的多模式人脸识别系统软件开发。通过实验,在N取值大于等于30时,系统的识别率稳定在98.5%以上随着三维成像技术的发展,本文所提出融合二维图像和三维模型的人脸方法必将有着广阔的应用前景。