由于生物特征识别技术的安全系数较高,其使用范围也愈加广泛,如今正逐步取代传统的身份识别方法。生物特征识别的种类有很多,如人脸识别、虹膜识别、指纹识别、步态识别、掌纹识别等,其中最为常用的是人脸识别和指纹识别。但这几种识别方式都存在着被伪造的可能,有一定的安全隐患。而手指静脉识别由于其本身的特点,被识别对象必须为活体,且静脉处于皮肤表面之下,难以伪造,因此手指静脉识别技术的安全性更高,与其它识别技术相比更具有优势。本文针对因手指静脉图像灰度分布不均、边缘模糊以及特征选取不合适导致的识别效果不理想等问题进行了相关研究,主要研究内容如下:(1)为更充分利用各样本的信息并保证算法性能的稳定,本文将鲁棒性较好的稀疏表示方法用于手指静脉图像识别。在原有稀疏表示理论的基础之上,考虑到异类样本对稀疏重构的不利影响,本文中对样本各训练样本赋予权重使得与测试样本不相关的训练样本权重较低;同时,本文对稀疏表示分类器分类决策方式进行改进,使用最大类内稀疏系数之和代替最小重构误差,使得测试样本出现同时属于多个类别的情况大为降低;(2)本文结合手指静脉图像高频特征及低频特征提出基于双字典协同稀疏表示的手指静脉识别方法,该方法使用了图像的低频和高频特征使得图像中的纹理信息及轮廓信息都得到了有效利用,通过实验验证在参数选取合适的情况下能够提高被正确识别的样本比例。但双字典协同稀疏表示方法的性能对图像分块大小以及小波基函数的选择较为敏感,对于不同的图像难以确定其最合适的分块大小以及小波基函数。(3)针对单一特征难以准确完整描述手指静脉图像以及单个稀疏表示分类器识别效果不佳的问题,本文基于多分类器决策融合的思想通过多种特征构造多稀疏表示分类器模型并结合多个稀疏表示分类器的输出信息判断测试样本最终所属的类别。本文依据三种特征各自组成的字典进行投票,由最终的投票结果决定测试样本所属的类别,即基于多稀疏分类器决策融合的手指静脉识别方法,该方法能够避免一种特征无法准确描绘图像的有效信息,通过多个特征的结合可以有效提高手指静脉图像识别的准确率。该方法的性能仅对各子分类器的权重较为敏感,而各子分类器的权重可以通过训练集训练得到,不用手动调节。实验结果表明,即使训练样本数量不多,该方法仍然能够得到较好的识别效果。