人脸识别是人工智能技术研究中的热点之一,以其突出的高并发性、非触碰性等特点,在安防、监控、移动支付等工业生产领域已有广泛的应用。自AlexNet在2012ILSVRC目标识别领域取得突破性进展,各种新颖的卷积神经网络结构不断涌现。受三维人脸数据集等因素限制,三维人脸识别技术的发展相对较晚,但是随着二维人脸识别技术的发展面临如人脸表情、姿态、遮挡以及光照变化等因素的挑战,研究者逐步转向三维人脸识别的研究,以求获得更鲁棒的人脸识别算法。三维人脸数据包含了如人脸深度、空间姿态等更丰富的信息,能更完整精确地表达人脸状态,能更好地应对光照、姿态等条件的变化,在提升人脸识别精度及人脸防伪上有更大的潜力。但是目前的三维人脸识别方法存在计算量大、处理时间较长的问题,受数据量、硬件性能的限制较为明显。本文研究从提高三维人脸识别速度并兼顾较高识别精度的角度出发,在分析了VGG,ResNet,DenseNet,SENet等几种卷积神经网络结构后,提出了轻量化的特征融合人脸识别网络Net-15,实现了快速且较高精度的人脸识别功能,在GPU、CPU上特征提取速度达到实时效果。本文研究主要包含以下内容:（1）设计了轻量化的卷积神经网络模型Net-15。构建了包含较少参数的网络模型,维持了一定的网络深度,并且提升了网络提取特征的速度,在GPU、CPU上提取特征速度分别为98ms/100张,678ms/100张。（2）在Net-15中引入了通道注意力机制、内部竞争机制以及特征融合机制模块,进一步增强网络提取特征的能力。实验结果表明,在非受限条件下的人脸识别测试中,准确率达到了90%以上,证明了该模型分类的有效性。（3）设计了人脸多部位特征融合以及人脸多角度特征融合识别方法。利用MultiPartNet从120×120的人脸深度图像中,分别提取上、中、下部位96×96图片特征,之后进行特征融合识别;利用Multi View Net分别提取三个不同角度的深度图特征,进行特征融合识别。实验结果表明,特征融合方法可进一步提高人脸识别精度约1%-2%。