信息化交互频繁的现代社会提高了对个人身份验证的要求与标准,从而催生了生物特征识别技术,常用于身份鉴别的生物特征主要有：人脸、指纹、掌纹、静脉、虹膜、步态、声音、手写体等,它们在电子交易、公共安全、商业金融等部门得到了高度的重视和应用。掌纹识别是生物特征识别领域的一项技术,信息量丰富,特征稳定唯一、采集设备简单、受噪声影响小、用户接受程度高,受到业界的广泛关注。目前常用的掌纹特征提取算法多数是浅层学习算法,本文在研究现有的深度学习算法的基础上,尝试用深层的方法来提取特征,完成掌纹识别。论文的主要研究内容如下：(1)实现了基于深度学习掌纹识别。将深度学习算法引入到掌纹识别领域,在对图像进行预处理后,设计并实现了基于深度信念网的掌纹识别。通过对学习率、隐藏层单元个数等参数进行调整,确定最佳模型,并使用Softmax分类器对特征进行分类。深度学习算法通过学习一种深层非线性网络结构,实现复杂函数逼近,通过对输入样本的非监督学习和后续的监督学习,抽取到掌纹图像的本质特征,具有强大的从输入样本中抽取其本质特征的能力,在实验数据库上获得了良好的性能表现。(2)提出了基于提升小波变换和深度学习的掌纹识别算法。若将原始的一维向量模式的像素级图片直接作为DBN网络的输入,DBN网络能兼顾到图像的局部细节特征,但会因光照、倾斜等不利因素学习到不良的特征,影响到最终识别结果。考虑到深度学习模型的缺点,通过提升小波处理掌纹图像,获取其局部细节性信息,再用DBN网络进一步自动抽取更高层、更抽象、更有效的掌纹特征的方法,充分地利用了提升小波的优势并弥补了深度学习模型的缺陷。在北京交通大学的掌纹库上进行试验,与传统的主成分分析算法(PCA)、局部二进制算法(LBP)相比,本算法所提取的掌纹特征判别性更强,更能有效地表示掌纹信息。(3)提出了基于图像重构和双DBN模型的掌纹识别算法。针对主成分分析算法在特征提取时忽略高阶统计信息的缺陷,提出了一种基于图像重构和双DBN模型的掌纹识别方法。首先利用白化PCA方法提取原始掌纹图像的特征,对原图像进行重构,并通过重构图像计算残差图像,然后经双DBN模型对原始图像和残差图像进行二次特征提取和分类预测。实验对比传统算法(PCA,LBP,HOG)以及基于像素级的DBN算法,得到较高的识别率,在掌纹库上的实验验证了该算法的有效性。