在生物特征识别中,指静脉因具有高准确性、高可靠性与活体识别等特性备受社会关注,随着人们对信息安全日益增长的需求,指静脉识别也得到了广泛普及。目前,指静脉识别主要围绕着感兴趣区域提取、图像特征增强以及高可靠识别算法等方面进行研究,但是仍然存在着区域提取准确性差,优化图像能力较弱以及识别鲁棒性较差等问题。所以针对以上步骤及问题,本文研究内容与贡献如下:(1)为了增强指静脉区域提取的自适应能力与准确性,采用指静脉图像语义分割的方法,通过掩模区域卷积神经网络理解图像并对指静脉进行准确分割,获取指静脉分割掩模、识别区域以及类别概率结果,并基于改进的双向遍历中心扩散法从不规则分割掩模中提取到最大矩形区域,以方便后续识别。通过实验验证,本文方法在SDUMLA-HMT数据集中有效提取率达到100%。(2)为了更好的消除指静脉图像噪声与亮度干扰,本文提出一种基于残差学习与并行非对称卷积的改进去噪自编码器,通过对隐含层特征的加强重构提升图像增强能力,并在此基础上建立分任务网络算法,基于灰度图的统计特性实现了去噪与自适应平衡亮度。通过实验验证,本文算法在指静脉图像与自然图景中均获得良好结果,与传统算法相比更能清晰还原原始图像,具有一定的自适应性。(3)针对未知类别指静脉被动匹配拒绝会出现严重干扰识别等问题,本文采用更为深层的卷积神经网络来提升指静脉特征提取能力,在已知类别指静脉识别稳定后,将未知类别泛化为一类从而减少干扰,并以分类识别结果为基础,提出基于类别的验证阈值自适应获取算法,从而使得分类识别与验证相统一。基于之前良好的区域提取与图像增强,本文识别算法在LNTU-FVD和SDUMLA-HMT两种指静脉数据集中获得1.436%与2.21%的较低等错误率。该论文有图42幅,表21个,参考文献76篇。