针对黑暗环境下的人脸识别任务,基于红外的异质人脸识别方法是一种重要的解决方案,受到了研究者们的广泛关注。近年来的研究主要集中在近红外（NIR）到可见光（VIS）的人脸匹配策略上,但由于近红外的反射特性导致它需要额外的辅助光成像,而基于热红外（infrared-infrared,IR）的异质识别技术靠物体自身的热成像,不再需要其他外加的辅助光源。但由于红外数据收集过程昂贵,采集周期长,模态差异大,近年来热红外-可见人脸识别技术的发展受到了极大的限制。本论文致力于借助深度学习技术进行基于红外数据的人脸识别方法研究,解决黑暗场景的人脸识别问题。主要的研究工作可分为近红外和热红外人脸识别两部分,具体的研究内容如下:近红外部分,本文在现有的常见近红外数据集上,研究了人脸识别网络结构（IR50等）,以及Arc face loss等多种人脸识别优化函数对识别性能的影响。通过构建孪生IR50网络,并利用Arc face loss进行了有效优化,本课题研究的算法在业界公认的开源数据集Casia Nir-Vis 2.0上取得了 Rank1＞99%的识别准确度。热红外部分,由于缺乏完备的热红外数据集,本文构建了超过一千人参与的热红外人脸数据库。该数据库在不同室内外温度下构建,能够很好体现真实而复杂的热红外识别场景。据我们所知,这是目前最大的热红外人脸库。通过对该数据库的分析,本文进一步开展了多属性、多姿态,多距离的热红外-可见光异质人脸识别方法的研究。具体而言,本文讨论了这种跨模态数据库所面临的挑战,并基于近红外的研究方法,提出了一种内间同一性交叉融合方法（Intra-identity Cross Modal Mixup,ICM）来减少决策空间中不同模态之间的域差异,并提出跨模态注意力金字塔机制（Cross Modal Attention Pyramid Mechanism,CMAP）来减少两个来自两个模态不相关信息,以实现两种模态信息的空间对齐,进而显著地提升识别效果。本文把这个方法命名为双对齐神经网络（Dual Alignment Neural Network,DANN）。实验结果表明,DANN在ThermalFace数据库上取得了明显的效果提升,证明了本文所提出的模块的有效性。