人脸识别是现今生物识别范畴中的重要研究方向之一。因为三维人脸的自由度是六个,包含着更多的数据信息,所以,在当代,研究者已开始逐渐将目光从二维人脸转向三维人脸识别的研究。测地距离(Geodesic Distance)是数学形态学中的一个概念,相比于传统的距离度量,能够较好地克服表情的变化和姿态的变化等问题带来的影响,鉴于以上的两个优点,本文主要以测地距离理论为依据,在此基础之上,初步探究了二维人脸和三维人脸的识别方法,论文的主要研究内容和成果如下:针对人脸检测数据中集中的信息均为高维特征向量且人脸识别易受表情变化影响等问题,本文提出了一种测地距离的KPCA(Kernel Principal Component Analysis)人脸识别方法,该方法中,主成分的提取利用非线性方法来完成。先采用KPCA方法,把人脸数据映射到高维空间,进而在高维空间中提取人脸的主成分,其中核函数为多项式核函数,然后引入测地距离替换原来的欧氏距离来进行相似度量,其能更准确的测量出两像素点间的实际距离,使得人脸识别率受表情变化影响小,实验表明,该方法不但可以实现降维,而且能达到有效提取特征的目的,同时,使得识别的鲁棒性强,取得较高的识别率。针对传统方法对人脸定位准确率较低问题,对三维人脸定位算法进行了优化,提出了一种基于测地距离的三维人脸定位算法,测地距离能够较好地克服姿态变化和表情变化所产生的影响,对于给出的某张三维人脸,先利用滤波等方法对该人脸实施了基本的数据处理,再对过滤后的数据,定位特征鼻尖点,进而对整张人脸进行定位,最后将人脸模型统一到相同的坐标系框架下,给后续过程中人脸的特征提取和匹配奠定基础,实验表明了该方法的有效性。针对人脸数据信息复杂,出现误匹配而较难辨识的问题,提出了一种基于测地距离的特征匹配的人脸识别。该方法是结合三维人脸的多数据信息和二维人脸算法中的优势,以获取的二维人脸虚拟图像为基础来进行实验分析,利用SIFT(Scale Invariant Feature Transform)方法进行特征提取,为减小计算量又引入随机投影,并且结合核稀疏表示方法进行分类,最后,引入了测地距离和角度的概念,辅助人脸匹配,在降低了匹配困难程度的同时也给匹配的正确性加以保证,提高了最终识别的效果和鲁棒性。