El reconocimiento facial tridimensional (3D) se ha convertido en una dirección de investigación en tendencia tanto en la industria como en la academia. Sin embargo, los métodos tradicionales de reconocimiento facial conllevan altos costos computacionales y de almacenamiento de datos faciales. El aprendizaje profundo ha llevado a una mejora significativa en la tasa de reconocimiento, pero los tamaños de muestra pequeños representan un nuevo problema. En este documento, presentamos un método de reconocimiento facial 3D invariante a expresiones basado en aprendizaje por transferencia y redes Siamesas que puede resolver el problema del tamaño de muestra pequeño. Primero, se utilizó un método de detección de puntos de referencia que utiliza el índice de forma para el alineamiento facial. Luego, se construyó una red convolucional (CNN) con aprendizaje por transferencia y se entrenó con los datos faciales 3D alineados para el reconocimiento facial, lo que permitió a la CNN reconocer rostros independientemente de las expresiones faciales. Después de eso, la CNN entrenada ponderada fue compartida por una red Siamesa para construir un modelo de reconocimiento facial 3D que puede identificar rostros incluso con un tamaño de muestra pequeño. Nuestros resultados experimentales mostraron que el método propuesto alcanzó una tasa de reconocimiento del 0.977 en la base de datos FRGC, y la red puede ser utilizada para el reconocimiento facial con una sola muestra.