生物识别是融合了计算机、生物传感器等技术,利用固有的人体特性来进行身份鉴定的技术。常见的生物特性包括静脉、指纹、面孔、瞳孔等。与其它生物特性相比,指静脉特征信息隐藏在人体表皮之下,不易被污染、毁坏、盗取,具有更高的安全性,因而逐渐成为身份识别领域的研究热点。但是指静脉图像的采集过程不易规范化,并常常出现曝光不均、噪声过多等问题。针对这类问题,本文对图像特征提取与匹配算法进行了研究,并做了如下工作。(1)本文通过分析指静脉图像的特征分布及像素特点,引入模糊C均值聚类(Fuzzy Cmeans clustering,FCM)算法,提出了一种基于FCM的灰度不均匀校正算法(FCM based Intensity In Homogeneity Correction,FCM-IIHC)。仿真结果表明,传统灰度不均匀校正算法应用在静脉图像上会造成特征损失。而FCM-IIHC算法不仅降低了特征损失,而且实现更好的校正效果。应用在相同图像匹配算法场景下,指静脉图像经过FCM-IIHC算法处理比用传统方法处理得到的匹配性能更优。(2)本文通过研究加速鲁棒性特征(Speeded-Up Robust Features,SURF)算法,提出了一种基于SURF的特征提取与匹配(SURF based Feature Extraction and Matching algorithm,SURF-FEM)算法。该算法不仅结合了FCM-IIHC算法处理后的指静脉图像特点,而且很好的融合了Shi-Tomasi角点、M-估计量样本一致性(M-estimators SAmple Consensus,MSAC)算法的特性。仿真结果表明,SIFT(Scale-Invariant Feature Transform,SIFT)算法耗时较长,SURF算法应用在低质量的指静脉图像上效果不好。本文提出的SURF-FEM算法解决了这一问题,能够以较小的时间复杂度,达到接近甚至优于SIFT算法的性能,在偏移、噪声、旋转场景下拥有较好的鲁棒性。