随着计算机视觉技术及人工智能技术的发展,人脸识别已成为计算机视觉领域的一个热门研究。在非特定环境（即非约束环境）中,人脸容易出现表情变化、姿态变化及遮挡情况,从而影响人脸识别的准确性。相比于传统的二维人脸图像数据,三维人脸点云数据包含了更加丰富人脸面部的几何形态及空间结构等信息,可以为非特定环境下的人脸识别提供更为有效的数据支撑。本文主要针对非特定环境下的三维人脸识别中常见的姿态变化、表情变化及遮挡问题进行深入研究,主要内容如下:（1）研究姿态变换时的三维人脸鼻尖点检测方法。首先计算三维人脸曲面的高阶曲率信息,结合曲率极值系数提取出脊谷点,再计算每个脊点邻域内的高斯曲率,根据鼻尖区域几何结构上的生物特点以及鼻尖处的高斯曲率分布特点检测鼻尖点。实验表明该方法在姿态变化时同样可正确检测鼻尖点,且整个运算过程不需要建立特定的数学模型。（2）研究表情三维人脸特征提取方法。分别提取三维人脸的剖面轮廓特征、中分轮廓特征和脊谷线特征,剖面轮廓特征可以表达人脸曲面整体的几何形状,中分轮廓线是三维人脸正中央最具代表性的轮廓线,脊谷线由脊谷点构成,脊谷点的提取依赖于人脸曲面的高阶曲率特征,具有较强的旋转不变性和较高的表情鲁棒性。（3）提出一种对表情鲁棒的三维人脸识别方法。通过对人脸曲面进行分析,将三维人脸划分为额头、眼部、鼻子和嘴部四个区域,对各区域内的脊点分别采用三维形状上下文进行特征描述,分区域计算其匹配代价,再通过对各区域匹配代价进行加权融合得出最终识别结果。此方法中对脊点特征进行描述具有全面性,采用三维形状上下文能充分利用三维信息,通过分区域在决策级融合在减弱表情变化影响的同时兼顾人脸的整体性,实验表明此方法对于不同的表情人脸均具有较高的识别效果和鲁棒性。（4）提出一种遮挡条件下的三维人脸识别方法。针对人脸常见的额头、眼部和嘴部遮挡现象,首先提取三维人脸模型的脊点获得人脸的脊点模型,将人脸脊点模型划分为额头、眼睛、嘴部等多个区域,之后通过提取各区域内的脊点空间分布特征、脊点分布区域面积及脊点主方向特征来判断该区域是否存在遮挡。对于存在遮挡的人脸,剔除遮挡区域内脊点后,进一步获取人脸不同区域脊点的加权三维形状上下文特征进行相似度计算,得到识别结果。实验结果表明该方法对存在上述三种类型遮挡情况的人脸能取得较高的识别效果。