随着机器学习和深度学习的不断发展,人脸识别作为一种生物识别技术进入了人们生活的各个领域。高光谱人脸图像是在连续的光谱上以狭窄的波段连续成像形成的高维数据。由于在不同波长下人脸皮肤上的黑色素,血红蛋白等物质具有不同的反射强度,使得高光谱人脸图像比起传统人脸图像具有更丰富的生物特征,从而有利于解决光照、防伪、姿态等问题。然而,高光谱人脸图像也带来计算量大,信息特征冗余等挑战。特别是在光谱维度上,不同波长的波段图像对人脸识别的贡献存在差异,有些甚至产生干扰,降低识别的鲁棒性。因此在光谱维度上进行波段选择对提高高光谱人脸识别性能具有重要的意义。本文主要开展基于深度学习的自适应波段选择高光谱人脸识别研究,主要的研究工作和结果有:（1）基于分块和Adaboost特征选择特性,提出分块Adaboost.MS波段选择的高光谱人脸识别方法。该方法把人脸分为不同的区域,使用卷积神经网络（CNN）提取不同区域不同波段的人脸特征,然后采用Adaboost.MS方法进行波段选择,接着图像局部区域的最优波段通过Adaboost.MS进行分类,最后将不同区域的识别结果使用最大投票算法进行分类。为了验证方法的有效性。本方法在香港理工大学高光谱数据库（Poly U-HSFD）上进行实验,结果表明相比于其他波段选择方法,本方法针对于高光谱人脸识别的准确率提升了10%-13%。并且不同人脸局部区域的最佳波段具有差异性。（2）基于注意力机制在图像通道领域重新分配权重的特性,提出一种稀疏光谱注意力机制深度高光谱人脸识别网络（SSCANet）。该网络分为两个部分:波段选择模块和分类模块。在波段选择模块中,基于正则化（Lasso）的注意力机制神经网络模块对高光谱人脸图像的不同波段进行加权来实现波段选择。然后采用VGG-19网络模块进行分类。为了验证方法的鲁棒性,分别在Poly U-HSFD,西澳大利亚大学高光谱人脸数据库（UWA-HSFD）和卡耐基梅隆大学高光谱人脸数据库（CMU-HSFD）上进行试验,结果表明,该算法中的波段选择模块可以通过注意力机制来对高光谱人脸图像实现自适应的波段选择,并且与VGG-19分类模块的计算成本相比,波段选择模块的计算成本可以忽略不计。