随着信息技术的高速发展,如何快速有效的提升公民的身份信息安全逐渐成为研究热点。传统身份识别技术在实际使用过程中存在着诸多不便。例如钥匙、密码等,都会有遗忘或丢失的风险,难以满足当代人们对更高安全性、可靠性以及便利性的需求。利用人体特征进行识别逐渐成为鉴别身份的热点,例如人脸识别、指纹识别等。手掌静脉识别技术是人体生物特征识别技术中的一种,因其具有活体认证、伪造难度大、使用便捷等优点,在国内外已经成为研究的热点。然而,目前存在的掌静脉特征提取算法的鲁棒性不高,对手掌静脉图像的质量有较高的要求。本文主要采取深度学习的方法,在已有模型上提出本文的优化方式,对手掌静脉识别过程中重要步骤提出改进思路。其中包括手掌静脉感兴趣区域获取方法、手掌关键点定位方法、手掌静脉图像特征提取方法等关键环节,并取得了一定的成果。本文的主要贡献和创新如下:第一,针对目前常用的手掌静脉图像感兴趣区域截取算法鲁棒性不高的问题,本文设计了基于关键点定位的手掌感兴趣区域截取两阶段网络,分为全局定位网络和局部定位网络。为了提高关键点定位精确度,对现有Huber损失函数进行改进,有效的提高了关键定位的精度。第二,针对掌静脉标准数据库样本较少,训练卷积神经网络可能出现过拟合现象,本文提出了数据增强方法,有效的扩充了数据库,为后续卷积神经网络训练提供支持。第三,针对传统的掌静脉识别算法对手掌静脉图像特征提取鲁棒性、识别率不高的问题,本文使用卷积神经网络的方法,对现有的压缩激励注意力模块进行修改,提出池化层增强的自适应多层共享感知机通道注意力模块。通过整合现有基础网络模型与改进的注意力模块,设计了更符合掌静脉识别任务的卷积神经网络。最后经过大量对比实验,包括不同特征向量维度、不同网络结构的比较,并与其它论文中的掌静脉识别算法进行对比,证明了本文中提出的网络模型对手掌静脉特征提取有较大的帮助。第四,整合掌静脉特征识别技术中的关键步骤,设计掌静脉识别系统,并开发软件测试掌静脉识别系统的性能。