三维人脸特征较二维人脸特征能更精确地描述人脸的几何结构,并且不易受化妆与光照的影响,因此,使用三维人脸数据进行人脸识别可以提高人脸识别在实际环境下的识别准确率。基于特征提取的三维人脸识别算法的性能取决于特征设计的合理性以及特征设计者的经验。近年来,基于神经网络的深度学习的研究解决了自适应特征提取的难题,该方法将深度信念网络用于三维人脸识别,目的是为自适应地提取三维人脸的有效性特征。该算法对三维人脸原始数据进行预处理,然后使用人脸表面点法方向建立球面向量模投影图,这既可以提高含有表情的三维人脸与同类别中性人脸之间的相似度,又可以降低具有相同表情的不同类别的人脸间的相似度,从而降低了类内离散度并增大了类间离散度。接着,使用深度信念网络对三维人脸深度图与球面向量模投影图的刚性区域分别进行深度学习,将人脸表面形状索引值加入到首次训练受限玻尔兹曼机的权值中,最后将深度学习结果进行融合完成人脸识别。深度信念网络是一种没有人工参与的特征训练方法,将其用于三维人脸特征提取不会丢失三维人脸的有效性信息。将该算法在国际公认的三维人脸数据库FRGC v2中进行实验,在中性人脸训练表情的人脸测试实验中,当FAR=0.001时算法取得92.1%的验证率。