随着信息化的不断加快，国家公共安全、信息安全等关系国计民生的领域需要高可靠性、高安全性的全新身份识别技术，生物特征识别技术应运而生。但是，仅靠单一生物特征模态(比如人脸、虹膜、指纹、掌纹等)的识别技术，往往由于其自身的一些缺陷和不足，有时难以满足人们对身份识别高准确性和易用性的要求，多种生物特征的有效融合可从多方面改善身份识别系统的性能。本文以人脸生物特征模态为基础，对基于统计学习的多模态生物特征识别算法与系统进行了研究。主要研究内容如下：　　 ⑴研究了生物特征识别相关的一些基础算法。探讨了基于统计学习的眼睛定位、眼睛状态检测和近红外人脸识别算法，在实际应用中取得了很好的性能。提出了一种基于Gabor幅度特征和统计学习的掌纹识别算法，与现有的方法相比，取得了更好的实验结果。　　 ⑵提出了一种基于近红外和可见光图像的多模态人脸识别算法。分析了近红外和可见光模态人脸图像的特点，提出了基于分数层融合的多模态人脸识别算法，并构建了相应的原型系统。在室内场景和室外场景两种典型的应用环境中，对该融合算法与系统进行了深入分析和性能评估。　　 ⑶基于排序测度特征表示的人脸和掌纹识别技术，初步研究了人脸和掌纹多模态分数层融合算法。在大规模数据库上对人脸和掌纹融合算法进行有效性测试。分析了不同的分数归一化方法对识别的影响，并测试比较了不同分数层融合方法的性能，为后续研究提供了有意义的参考。　　 ⑷提出了一种基于统计学习的人脸和掌纹特征层融合算法。通过合理选择有效的局部特征表示和统计学习方法，有效地利用了人脸和掌纹两种模态中最具互补性的局部特征，构建了高效的多模态融合识别分类器。该算法不仅可以有效提高单一模态生物识别系统的性能，而且可以提高系统的运算效率。