伴随信息新技术的推陈出新,高科技给人们生活带来的便利之处随处可见。但随之而来的信息安全问题也得到了大家的广泛关注。传统的身份加密方式已经无法满足人们对高安全性的需求,所以社会迫切需要得到一种卓有成效的身份鉴别方法。根据人体本身独有的生物特征以及行为习惯来进行身份认证的新技术叫做生物特征识别,这种方式具有很高的安全特性。而与其他生物特征识别技术相比而言,虹膜识别以其独有的正确率高、容易采集和稳定性好等特点在生物识别技术中获得广泛应用。近些年来虹膜识别产品越来越多的被应用在机场、门禁、银行等对安全机密性要求比较高的场所。虹膜识别具有两种工作模式:分为一对一认证模式和一对多的识别模式,在本文中我们只对一对一认证做出研究。虹膜识别系统主要由预处理、特征提取和识别等一系列流程组成。在本论文中使用的图像均为质量评价合格的图像,而本文主要对后期特征提取和识别部分进行研究,主要目的在于提升虹膜识别系统的性能。为了弥补单一虹膜特征识别的不稳定性,增强虹膜识别系统的通用性,在特征提取方面分别采用中心对称局部二值模式(Center Symmetric Local Binary Pattern,CS-LBP)和哈尔小波提取虹膜图像纹理特征并进行二进制编码,即分别在虹膜图像的空域和频域上采集有效信息,并使用汉明距离计算两种特征对应的相似度距离。在识别方面使用XGBoost实现多特征相似度融合,由于XGBoost是以提升树为基础的机器学习模型,所以对于非线性问题具有很好的分类效果,同时由于模型本身支持并行计算,使得在对大数据量的虹膜样本进行识别时速度很快。在论文中分别使用哈尔小波和CS-LBP进行特征提取和二进制编码,并实现汉明距匹配之后获得的类内和类间相似度作为特征向量输入进XGBoost模型中,并以类内标签值为0和类间值为1作为区分,使用XGBoost模型对样本数据进行训练,并在训练好的模型基础上对测试虹膜进行识别。在本文中使用中科院虹膜数据库CASIA-V1和JLU-IRIS 6.0的虹膜图像库来评价算法性能,并以正确识别率(CRR)、等错率(EER)和ROC曲线作为评价指标。通过本算法性能分析以及与SVM模型和其他虹膜识别算法的对比证明,本论文提出的以XGBoost实现的哈尔小波和CS-LBP多特征融合的虹膜识别算法优势十分明显,它不仅提高了虹膜识别的准确率,还减少了虹膜单一特征的不稳定性,具有良好的性能。