人脸识别是身份认证系统的主要判别方法之一,以人脸识别为基础的应用领域包括智能设备解锁、智慧交通以及安防领域等。目前人脸识别大多是基于可见光图像的,尽管已经取得很大进展,但在光照不足、人脸伪造攻击等情况下,识别准确率会急剧下降。多光谱图像与可见光图像相比,具有“图谱合一”的数据特点,这使其包含可见光所没有的光谱信息及可用特征,从而在人脸识别问题中有着更好的表现。但多光谱图像还存在维数高、噪声大、识别性能有待提高等缺点,而且目前大多数基于多光谱图像的人脸识别算法并没有实现空谱特征的联合提取与利用,导致多光谱图像人脸识别复杂度高、性能差。因此,本文基于卷积神经网络强大的特征提取能力,研究如何充分提取多光谱图像的空谱联合特征,以实现专门针对于多光谱图像的人脸识别和活体检测算法。主要包括:设计实现了基于光谱信息的多光谱人脸活体检测算法。首先设计了一种皮肤区域检测器,实现对人脸皮肤区域的提取,剔除人体毛发等非皮肤因素的干扰。然后计算光谱反射率,验证不同材质的光谱差异性。最后设计了基于光谱信息和反射率信息的活体检测算法。基于MLFP公开数据集对算性能进行了测试,取得了98.03%的好成绩。同时还将该算法应用于可见光图像中,通过对比实验验证光谱信息在活体检测问题中的重要性。设计并实现了基于空谱联合残差网络的多光谱人脸识别算法。首先通过MTCNN网络提取人脸关键点。然后设计了谱残差网络和空间残差网络相结合的形式,完成空谱信息的联合提取。采用Poly U-HSFD、CMU-HSFD、UWA-HSFD等三个公开数据集进行了测试实验,取得了比目前主流算法更具竞争力的结果。最后将本文算法与仅提取空间信息的算法以及PCA+空间残差网络算法进行对比,验证空谱信息联合提取对人脸识别的重要意义。设计并实现了基于特征波段选择和3D卷积核的多光谱人脸识别算法。该算法由特征波段选择、网络设计、性能优化三部分组成,首先计算谱间相关性,选择更具代表性的特征波段,然后针对多光谱三维立方体的数据特点,设计3DCNN以实现空谱信息的联合提取,此外还引入“流模块”进行优化。本算法在Poly U-HSFD、CMU-HSFD、UWA-HSFD三个公开数据集上进行实验,取得了优秀的成绩。最后通过对比实验,验证了多光谱图像在光照不足情况下相比可见光图像的优势,实验证明多光谱图像在人脸识别问题中具有一定的应用价值。