Ces dernières années, les chercheurs ont examiné diverses approches de combinaison de données pour la reconnaissance faciale, ouvrant ainsi une nouvelle voie d'exploration visant à améliorer la fiabilité de la reconnaissance en capitalisant sur la synergie inhérente à diverses sources de données. Ce travail met en œuvre une comparaison complète entre deux méthodes de combinaison basées sur le niveau de score et le niveau de caractéristique, afin de déterminer quelle méthode améliore considérablement les performances globales du système. Dans la méthode initiale appelée "Combinaison de Classifieurs basée sur l'apprentissage profond", nous introduisons une nouvelle règle de fusion basée sur la combinaison au niveau du score. Ce modèle novateur comprend trois Classifieurs, chacun formé à l'aide de techniques bien établies d'extraction de caractéristiques : les motifs binaires locaux (LBP), l'histogramme des gradients orientés (HOG) et les descripteurs faciaux binaires compacts (CBFD). Au lieu de suivre des règles de combinaison conventionnelles, telles que le vote majoritaire ou les scores maximaux, les scores érivés de chaque Classifieur sont fusionnés, puis formés à l'aide d'un Classifieur Perceptron Multicouche (MLP) pour parvenir à la décision finale. Dans la méthode suivante, appelée "Reconnaissance Faciale basée sur l'Apprentissage Profond avec CNN", nous extrayons des caractéristiques de haut niveau à partir de plusieurs régions d'images considérées comme des données séquentielles en utilisant un ensemble de Réseaux de Neurones Convolutifs (CNN). Dans ce schéma, les couches entièrement connectées de chaque région d'images basée sur CNN sont combinées et alimentées dans un Réseau de Neurones Profonds (DNN) conçu pour la connaissance faciale. Les résultats expérimentaux obtenus à partir de bases de données faciales bien connues, notamment Labeled Faces in the Wild (LFW), Olivetti Research Laboratory (ORL) et IARPA Janus Benchmark-C (IJB-C), mettent en évidence les performances compétitives du modèle de combinaison multi-Classifieur proposé et du modèle d'apprentissage profond par rapport aux méthodes de pointe.