人脸识别是近年来一个发展热点,尤其是在深度学习兴起之后,人脸识别的发展以及所取得的识别效果我们有目共睹,在识别精度与速度上在许多情况下基本已经能够达到人工甚至超越人工的水平,但在很多情况下,人脸识别的结果也会受到诸多限制,二维的人脸识别存在着很多缺陷,比如在非限制环境下所采集到的人脸往往会受到光照、表情、姿势、遮挡、化妆等因素的影响,还有就是受限于采集到图像分辨率的问题,因此有些时候识别效果不尽人意。在这个时候三维人脸的优势就体现了出来,三维人脸就能够很好的解决遮挡、姿势等问题,这就促使了越来越多的研究者对三维人脸重建以及三维人脸识别技术的研究,因此如何有效的进行三维人脸重建以及如何构建有效的三维人脸识别网络就成为了一个关键,卷积神经网络就很好的解决了这个问题,因此本文所设计的三维人脸重建以及三维人脸识别网络模型都基于卷积神经网络,本文的工作主要体现在以下几点:首先是基于端到端快速进行三维人脸重建:以往传统三维重建方法基本都是基于3DMM(三维形变模型)进行改进,而这种方法往往需要大量的三维人脸数据库,并且是多张重建出一张三维人脸模型,本文所提出的重建方法主要是基于CNN(卷积神经网络)进行端到端的重建,主要基于3D体素表示方法,能够实现一张2D图像生成一张3D人脸模型的效果,这种方法的优点在于能够快速高效并且不用大量的三维人脸数据。其次是改进人脸识别模型的损失函数:损失函数对于深度学习训练模型的准确度尤为关键,针对以往softmax loss所存在的分类能力不足,不能有效的划分样本的缺点进行改进,我们考虑基于余弦损失函数在该函数基础上加入一个间隔以增强分隔样本的能力。最后研究一种基于深度学习的三维人脸识别模型:利用目前深度学习的优点,参考残差网络,基于上述改进损失函数构建了一个深度的卷积神经网络,通过调整残差块内的结构与残差块之间的连接能够很好的提取出三维人脸特征,基于提取到的三维人脸特征进行人脸匹配。实验结果表明,本文所提出的模型识别准确率高,并且能够有效解决上述2D人脸识别所存在的缺点。最后实验结果也表明我们所设计的重建以及识别模型取得了更优的效果。