日新月异的科技进步给社会生活带来极大便利,互联网的日益壮大使信息交流迅速而广泛;与此同时,如何确保信息的安全是人们关心的问题,对身份认证也提出新的要求。生物识别技术凭借独有的优势:识别对象为人身体上的一些特征(生理的或行为的),而被广泛应用。目前,手指静脉识别技术作为生物识别领域的新成员,克服了指纹识别、手形识别等手部特征的诸多缺点,已经引起许多研究人员的广泛重视。本文重点研究手指静脉识别的图像处理及特征提取算法,并设计出一套完整的手指静脉识别系统。首先对采集到的手指静脉图像进行灰度转换及灰度归一化操作,减少存储空间;然后对比分析几种全局阈值分割算法,提出基于列方向的最大方差法进行阈值分割,并通过连通域面积去掉小的块状噪声,提取出完整的手指区域。为了克服图像采集过程中存在的平移、旋转等非线性因素影响,本文提出一种手指静脉感兴趣区域提取方法。通过拟合手指中线进而确定手指的偏转角度并进行旋转校正;利用手指指尖圆弧的直径进行定位,寻找指定宽度内的手指最大内切矩形,最后进行尺寸归一化。文章对比了完整手指区域与感兴趣区域的识别性能,结果表明采用本文算法提取的静脉感兴趣区域具有良好的鲁棒性并且明显提高识别率。接着研究基于非负矩阵分解的手指静脉特征提取,非负矩阵分解是一种新的分解方法,除了实现数据降维外,由于在分解过程添加非负约束,使得分解结果也满足非负性,可以得到原始数据的局部表征。因此,本文研究用非负矩阵分解提取手指静脉的局部特征。文章在研究了传统的非负矩阵分解理论基础上,对两种非负稀疏矩阵分解算法做了深入研究,将它们用于手指静脉特征的分析,提取出静脉代数特征。从特征基图像、收敛速度、验证精度和辨识精度等方面做对比,得出非负矩阵分解稀疏约束算法效果最好。小波分解作为一种多分辨率分析方法可以反映图像不同尺度不同方向的信息,文章研究了二维小波变换的理论及分解后各子图的意义,提出基于小波和NMFSC的非负稀疏矩阵分解,并分析小波分解级数和小波基对识别率的影响。分解后的近似图像,滤掉了高频噪声,基本包含了原始图像的所有信息,对该子图进行矩阵分解可以减少存储空间,降低运算复杂度。通过匹配距离分布曲线,证明该特征有较好的区分能力。文章最后,构建手指静脉识别系统,验证各种算法的识别性能。实验结果表明,本文提出的算法不仅保证了较快的收敛速度,而且训练时间明显缩短,识别率也稍有提高。