Sichtbare Gesichtserkennungssysteme erreichen mit Hilfe von Deep Learning nahezu perfekte Erkennungsgenauigkeiten. Bei Lichtmangel leisten diese Systeme jedoch nur eine schlechte Leistung. Eine Möglichkeit, dieses Problem zu bewältigen, ist die Kreuzdomänen-Gesichtserkennung zwischen thermischen und sichtbaren Bildern. Diese Technologie ist aufgrund ihrer Anwendbarkeit in der Nachtsichtüberwachung von großem Interesse. Aufgrund der erheblichen Unterschiede zwischen den beiden Domänen stellt sie jedoch eine äußerst herausfordernde Aufgabe im Bereich der Gesichtserkennung dar. In diesem Artikel präsentieren wir ein tiefes Autoencoder-basiertes System, das die Abbildung zwischen sichtbaren und thermischen Gesichtsbildern lernt. Zudem untersuchen wir den Einfluss der Ausrichtung auf die thermische-zu-sichtbare Gesichtserkennung. Dazu haben wir manuell Gesichtslandmarken auf den Datensätzen Carl und EURECOM annotiert. Der vorgeschlagene Ansatz wird umfassend an drei öffentlich verfügbaren Datensätzen getestet: Carl, UND-X1 und EURECOM. Experimentelle Ergebnisse zeigen, dass der vorgeschlagene Ansatz die bisher beste Leistung signifikant übertrifft. Wir beobachten, dass die Ausrichtung die Erkennungsleistung um etwa 2 % steigert. Die annotierten Gesichtslandmarkenpositionen aus dieser Studie können unter folgendem Link heruntergeladen werden: github.com/Alpkant/Thermal-to-Visible-Face-Recognition-Using-Deep-Autoencoders.