在大数据驱动下的数字化社会中,个人的身份认证变得尤为重要,在此背景下,越来越多的身份认证方式应用在各个领域。掌纹识别作为一项新兴的生物特征识别技术,在过去的二十年里,多种传统掌纹识别方法被提出应用于相关场景中。近年来,深度学习的兴起为多项任务实现了新的突破,掌纹识别也逐渐在深度学习领域展开研究。然而,目前大多数深度掌纹方法往往只是简单的使用存在的经典神经网络完成识别任务,并没有充分的学习掌纹本质特征。因此,需要探索一个适用于掌纹特征的神经网络。此外,深度学习也是完成许多下游任务的重要利器。掌纹主线的提取一直是一个具有挑战性的工作,对深度掌纹主线的研究是一个新的尝试。本文的主要工作如下:（1）对当前较为典型的卷积神经网络（Convolutional Neural Network,CNN）和神经架构搜索（Neural Architecture Search,NAS）模型进行详细的阐述与分析。（2）利用迁移学习,在CNN模型和NAS模型上对掌纹识别进行了大规模的评估实验。选取17种卷积神经网络模型和20种神经架构搜索模型,在5个2D掌纹数据集和1个3D掌纹数据集上进行实验。我们针对不同的学习率进行实验测试,同时也和最先进的传统掌纹识别方法做了详细的比较,分析和讨论了迁移学习在掌纹识别上的应用前景。（3）在（2）的基础上,进一步提出一个深度掌纹融合网络TSPNet（Three-Stream Palmprint Network）进行掌纹识别。有了（2）中大规模评估实验结果作为指导,选择适合掌纹的分支骨干网络进行后续的融合识别。（4）提出轻量级分类神经网络EEPNet（Efficient and Effective Palm Net）进行掌纹识别。该网络具有速度快、精度高的优点,充分考虑了掌纹图像的本质特征,设计了两个全新的损失函数BL（Balanced Loss）和CL（Contrast Loss）,并结合五个新颖的策略,达到了鲁棒的结果。（5）提出一个基于深度学习的掌纹主线提取与识别算法。该算法利用全卷积网络进行掌纹主线特征的提取,能够抑制掉很多的除主线之外的掌纹细纹,达到较为鲁棒的结果。此外,提出基于“点对点”和“段对段”的掌纹主线匹配方法,实验结果表明,掌纹主线识别技术能够取得令人满意的结果。