En este artículo, proponemos un método de reconocimiento facial 3D bimodal destinado a aumentar la tasa de reconocimiento y reducir el efecto de la iluminación, la pose, la expresión, la edad y la oclusión en el reconocimiento facial. Se extraen dos características de los sub-bloques multiescala en el mapa de profundidad del modo 3D y en el mapa de intensidad del modo 2D, que son la característica del patrón de gradiente local (LGP) y la característica del histograma ponderado de orientación de gradiente (WHGO). Las características LGP y WHGO se encadenan para formar el vector de características faciales 3D LGP-WHGO, y se entrenan e identifican mediante la máquina de soporte vectorial (SVM). Los experimentos en la base de datos CASIA, la base de datos FRGC v2.0 y la base de datos Bosphorus muestran que el método propuesto puede extraer de manera eficiente la información estructural y la información de textura de la imagen facial, y tiene una robustez ante la iluminación, la expresión, la oclusión y la pose.