Nous assistons aujourd’hui à l’émergence de la reconnaissance faciale 3D. Les résultats publiés, à l’issu des campagnes d’évaluation comme FRVT (Facial Recognition Vendor Test 2000/2002), ont montré que les approches de reconnaissance faciales souffrent de plusieurs problèmes liés aux changements de pose, d’éclairage et à l’occultation, etc. La modalité 3D a alors été proposée pour palier les problèmes liés à la pose et à l’éclairage. Néanmoins, la prise en compte de cette nouvelle modalité nécessite des algorithmes de traitement adaptés et éventuellement de fusion 3D et 2D à une étape de reconnaissance. Les différentes stratégies de fusion qui ont été utilisées dans la littérature peuvent être divisées en trois catégories: fusion complémentaire, fusion compétitive et fusion en cascade. La fusion complémentaire se présente comme une combinaison au niveau des caractéristiques extraites du visage 2D/3D pour construire un seul vecteur caractéristique. La fusion compétitive consiste à fusionner les scores de similarité générés par différents classifieurs pour avoir un seul score. La fusion en cascade admet une architecture en série des différents classifieurs. Toutes ces méthodes sont indépendantes. Pour cela nous envisageons de développer une méthode innovante qui permet de regrouper tous ces algorithmes dans un seul système. Par la suite, nous essayons de calculer la stratégie de fusion optimale. Cette stratégie assure : la sélection des meilleurs caractéristiques, la sélection des meilleurs classifieurs et la sélection de la meilleure méthode de fusion. Nous envisageons de nous appuyer sur le résultat de nos travaux pour étudier l’efficacité des modèles obtenues dans un contexte réel d’identification. Finalement, des expérimentations effectuées sur une base dédiée comme FRGC2.0 nous permettent de bien évaluer nos méthodes.