随着遥感技术的发展,光谱成像已经在农业、生物医学等方面得到了广泛的应用,其中研究人员已经表明:人脸的不同部位具有巨大光谱变异性。而高光谱成像能够捕获这种变异性特征,使得高光谱图像具有更多的判别信息,因此可以将高光谱成像技术用于人脸识别。高光谱图像具有谱带多、信息量大等高维特征,而手工特征提取方法如Gabor、HOG、LBP等已经无法满足这种复杂高维特征的需求。在人工智能飞速发展的今天,深度学习已经在场景理解、语义分割、自动驾驶等各个方面都取得了很大的进步。同传统算法相比,深度学习方法更能从复杂的高维信息中提取具有判别性的特征,因此将深度学习应用到高光谱人脸识别上去,具有重大的意义。深度卷积神经网络做为深度学习的一种,采用局部感受野和共享权值的方式识别位移、缩放及其他形式扭曲不变性的图像,在物体检测、人脸识别等方面取得了很好的效果。对此,本文在研究了手工特征提取的方法上进一步研究了基于深度卷积神经网络的高光谱人脸识别方法。主要工作如下:1、提出了一种基于空间和谱间协方差的图像融合方法将多维的高光谱人脸图像融合成灰度图像,然后采用手工特征的方式进行特征提取,最后利用卡方距离进行识别。2、进一步,在深度学习方面做了以下工作:(1)由于高光谱人脸数据量较少,采用了一种混合通道的方式增强数据;(2)训练了一个12层的卷积神经网络模型进行高光谱人脸识别,并和不同的模型进行对比;(3)根据高光谱人脸数据具有多谱带的特性,提出了一种多谱带循环训练的方法训练网络,实验证明了这种方法的有效性。在公开的数据集CMU-HSFD和PolyU-HSFD[1]上,用优化的手工提取方法,取得到了较好的识别率。用深度学习的方法,在有限的数据集下我们训练的网络模型识别率高于其他的深度学习网络模型。