随着计算机技术和生物医学工程技术突飞猛进的发展，利用人体生物特征进行身份认证、识别已成为安全验证的首选方式。人脸识别技术以其所具有的非接触、非侵犯、无需参与者配合等优势，成为生物特征识别中最具潜力和最受欢迎的识别方法之一。人脸识别是一种高维大数据集模式识别的典型应用，但数据维数过高不利于数据的分析和处理，流形学习是一类非线性维数约减算法，可解决人脸识别中“维数灾难”这一瓶颈问题。目前基于流形学习的人脸识别算法已取得广泛应用，然而这些方法通常基于单一数据集、多训练样本。在实际应用中通常会遇到小训练样本集和多源数据信息的情况，在小样本情况下原有算法的识别率会大大下降，多源数据信息的融合会增加有效信息，提高算法识别率。本论文的主要工作是利用基于流形学习算法解决三维人脸识别中存在的“维数灾难”、小样本和多源信息融合等问题。本文主要工作和创新点如下：1.总结并掌握三维人脸识别的步骤、人脸识别方法并详细介绍基于子空间的人脸识别方法，重点分析基于流形学习的人脸识别方法，并对各种方法进行比较。2.把流形学习算法和三维人脸识别方法相结合，构造基于子空间人脸识别方法框架。基于黎曼流形学习算法-LOGMAP，提出三维人脸深度图的流形学习-LOGMAP识别方法，并在CIS三维人脸实时数据库多训练样本的情况下与基于线性子空间人脸识别方法和基于流形学习的人脸识别方法进行比较，验证算法的有效性。3.分析现有基于流形学习的人脸识别算法中存在的小样本问题、信息融合问题，并给出解决方案。基于LOGMAP思想，提出复数域黎曼流形学习算法C-LOGMAP，在CIS三维人脸实时数据库和Texas三维人脸数据库每个人仅有一幅训练样本的情况下进行识别，并与基于线性子空间的人脸识别方法和基于流形学习的人脸识别方法进行比较，验证算法的有效性。