人脸识别技术是当前生物特征识别领域的一个研究热点。光照不足、姿态和表情变化等因素使2D人脸识别受到了很大的限制。相比2D图像,3D人脸模型不受光照条件的限制,且提供了更多的信息,使得3D人脸识别逐渐成为了人脸识别的一个重要研究方向。但是人脸所具有的丰富的表情变化会极大地影响3D人脸识别效果,如何克服表情变化造成的影响是3D人脸识别中所面临的具有挑战性的课题,也是目前人脸识别领域的热点。本次课题就3D人脸识别中的人脸对齐、区域划分及特征提取、分类方法三个重要环节展开理论研究工作,提出了一些改进方法。　　本次课题的研究工作主要包括以下几个方面:　　(1)针对目前3D人脸特征点定位鲁棒性较差的问题,提出了一种基于平均人脸模型(AFM)的混合人脸对齐方法,该方法不仅能够使得特征点定位更加准确,而且能够降低识别延迟。它首先对每个人的中性人脸使用对噪声点鲁棒的标准人脸深度映射的对齐方法进行对齐,并对人脸进行重采样建立每个人的平均人脸模型。作为参考标准,该模型具有对表情变化鲁棒的性质。对待识别人脸模型只需要与保存的每个人的平均人脸模型进行对齐即可,减少了对齐时所要匹配的数目,降低了整个识别过程的时间。　　(2)针对目前3D人脸划分方法的硬性划分导致局部区域内连续信息丢失这一问题,本文提出了一种特征区域自适应方法——FA框架。该框架能够自动地搜索某种特征所对应的鲁棒区域,得到的区域是不规则的,避免了连续信息割裂的问题。对比时,仅需在该鲁棒区域上提取特征,能够加快特征提取速度。　　(3)针对在3D人脸上所提取的不同特征具有不同分布的情况,本次课题试图找到适合于每种特征的分类器,并尝试将这些分类器进行组合,进一步提升分类能力。实验发现,分类器组合的方法的确能够在一定程度上提升分类器的识别性能。