生物特征识别克服了传统方式的诸多不足,因其优秀的鉴别性和唯一性,极具发展前景。相较于其他生物特征模态,掌纹和手掌静脉（下文简称掌脉）具有丰富的鉴别信息、较高的用户接受度、较强的隐蔽性等优势。此外,掌脉位于皮肤内部,可用于活体检测,难以伪造。由于掌纹和掌脉可以同时采集,并且识别算法可以通用,因此是理想的融合来源。本文基于多任务迁移学习,对掌纹、掌脉的单模态识别和多模态融合识别进行了全面的算法研究和充足的实验验证,设计开发了具体系统,提升识别精度的同时还解决了生物特征系统中的安全性、隐私性等问题,主要工作包括:（1）基于软生物特征多任务迁移学习的掌纹掌脉分类生物特征识别分为分类和认证两种模式。针对分类模式,提出一种基于软生物特征多任务迁移学习的掌纹掌脉分类方法,使得网络在进行分类前学到更多的软生物特征信息,有效减少相同和不同软生物特征对应样本之间的错误匹配率。通过多任务方式,使网络可以学习到手性（手的方向,即左右手信息）和性别的多个软生物特征互补信息,相比单任务具有更好效果。由于多任务采用大量共享参数,不明显增加额外复杂度。（2）基于类别分类多任务迁移学习的掌纹掌脉认证一般的掌纹库和掌脉库中并没有足够的软生物特征标签（如性别、年龄等）,并且这些软生物特征难以肉眼分辨,而手性软生物特征和掌纹、掌脉类别标签相对容易获取。通过使用手性和类别分类两个任务,构造多任务预训练,提升认证精度。训练下游任务认证时,结合类别分类损失联合优化,提升认证精度。并且两种方法可以同时使用,进一步提升精度。（3）掌纹掌脉融合识别在多任务迁移学习基础上,对掌纹、掌脉实现融合识别。掌纹、掌脉通过两种光谱采集,具有不同的特征信息。通过融合,网络可以学习到两种模态的互补信息,提升识别精度。通过对多种融合方式进行详细对比,确定采用特征级融合进行掌纹掌脉融合分类,采用分数级融合进行掌纹掌脉融合认证。（4）可撤销掌纹、掌脉认证及系统开发设计了可撤销掌纹、掌脉模板生成算法,并开发实现了APP系统。对单模态模式,使用Gabor滤波器提取特征并进行单模态的可撤销认证,不仅可以保证精度,还可以防止原始模板信息泄露,同时可以生成和更新可撤销模板。对多模态模式,使用深度学习模型提取掌纹和掌脉特征,实现双模态融合的可撤销认证。