人脸识别被广泛应用于医学,安全验证系统,公共安全系统,人机交互等各个领域。可见光条件下,人脸识别易受环境光变化的影响,而近红外光主动照射下的人脸识别不易受环境光变化的影响。同时,目前大多数人脸识别方法都是在人脸图像像素域中进行特征提取,而忽略图像梯度域特征,图像的梯度域特征蕴含人脸图像的相邻像素点之间的关系。此外,在现今一些公开的人脸数据库中,存在采集样本量不足的问题,因此,针对小样本训练一个有效的人脸识别算法也变得急需。针对上述问题,本文提出了一种基于梯度信息的双通道卷积神经网络(Dual-Channel Convolutional Neural Network,DCCNN)来进行近红外2D及3D人脸识别。整个DCCNN网络被分为两个通道,一个通道输入整张人脸图像,另一个通道输入对应的整张人脸的梯度图像。接着,利用卷积神经网络对这两个通道分别提取像素域或梯度域特征。最后,在全连接层采用级联(Concatenation)融合得到两个通道融合后的人脸几何特征并分类。本文采用近红外2D人脸数据库(PolyU-NIRFD)和3D人脸数据库(CASIA-HFB-3D)对算法进行测试。实验结果显示,在2D及3D人脸库上的识别率相比传统算法的识别率有3%-10%的提升。