自深度学习兴起以来，人脸识别在理论研究和实际应用方面都取得了令人满意的结果。然而，大部分的人脸识别研究都集中在可控条件下的可见光人脸，在真实无约束场景中仍然存在挑战。比如，在特定的应用场景下，待匹配的人脸图像来源于其他模态下的非可见光人脸图像，现有的人脸识别网络无法正确匹配，这就促使了异质人脸识别任务的产生。跨光谱人脸识别作为异质人脸识别的子领域，在安全方面有着重要的应用，是当前生物识别领域研究最广泛的课题之一。由于近红外和可见光人脸图像存在着巨大的域差异，跨光谱人脸识别具有相当大的挑战性。同时，由于近红外数据难以获得，现有的数据集中成对的人脸图像数量有限，存在着严重的过拟合和泛化性弱的问题。本文针对数据受限给跨光谱人脸识别带来的这些问题展开研究，取得的主要研究成果如下：

1. 针对数据受限带来的过拟合问题，本文提出了一种新的自增强方法：混合对抗样本和Logits 重放。具体来说，该方法首先利用识别网络本身生成对抗样本，然后将它们与干净样本以插值的方式混合，以进行数据扩充。与此同时，本文根据跨域问题扩展了对抗样本的定义，旨在减少域差异，提取域不变特征。为了有效地利用了在大规模可见光数据集上获得的判别性特征，该方法进一步提出了一种通过logits 重放保持特征多样性的损失函数，有效地改善了混合对抗样本方法无法获得的特征多样性。实验表明，该方法有效地缓解了过拟合问题，显著提高了跨光谱的识别性能。

2. 针对数据受限带来的泛化性弱的问题，本文从信息论的角度出发，提出了一种近红外到可见光的解纠缠跨光谱信息识别方法。具体来说，为了将信息瓶颈理论应用到特征提取过程中，该方法将图像特征分解为两个互补的部分: 身份相关特征和身份无关特征。这样，信息瓶颈的优化可以通过使用一个解码器来完成，从而获得泛化性强的人脸特征。此外，该方法还提出了一个特征融合模块，以促进两种特征表示之间的解纠缠能力，同时可以最大化不同域下的身份相关特征的互信息来减少域差异。实验表明，本文的方法能够有效地提取出泛化性强的人脸特征，并同时提高跨光谱人脸识别的性能。

总之，本文提供了数据受限下跨光谱人脸识别存在问题的解决思路，同时还总结跨光谱人脸识别的最新进展，包括相关的研究方法，识别模型和数据库，并进一步对存在的问题及未来的研究方向做出了讨论。