近年来；信息技术高速发展,人们对信息的安全性和保密性的要求也越来越高。生物特征识别技术因其具有较高的安全性和便利性,成为当前身份认证领域极具应用前景的认证方式。生物特征识别是指根据人类生理或行为上的特征来实现身份认证的一种技术。在众多的生物特征中,手指静脉因具有以下特点：(1)活体识别；(2)内部特征；(3)非接触式；(4)安全等级高；(5)唯一性；而逐渐成为研究的热点。虽然手指静脉具有其他生物特征所不具备的一些优点,但是在实际应用中,手指静脉识别技术仍存在一些难以克服的问题。比如,在手指静脉图像的采集过程中,由于光照等外部条件以及手指移动等因素的影响,使得采集到的图像可能会出现模糊、有位移、有噪声等问题,这将严重影响指静脉识别系统的性能。为了提高指静脉识别性能,本文针对以上问题展开了一系列研究,主要内容包括：因为采集到的指静脉图像可能会出现模糊、手指偏移、噪声等问题,所以提取出具有鲁棒性的手指静脉特征对于提升指静脉识别系统的性能具有重要意义。而词袋模型(Bag of Words, BoW)对图像的几何形变、光照、旋转等变化具有很好的鲁棒性,其最初应用在文本分类中,现已在场景分类、对象识别等领域得到成功应用,所以本文将BoW引入手指静脉识别中,并提取出具有鲁棒性的指静脉特征。与此同时,我们也观察到手指静脉图像呈现一定的规律性：一些局部静脉模式非常相似并且重复出现在手指静脉图像中。这些相似且重复的手指静脉模式非常符合BoW模型中视觉单词的特性。因此,我们将这些相似且重复的手指静脉模式用视觉单词表示,称作指静脉基元(Finger Vein Textons),简称FVT。基于BoW模型表示手指静脉图像的过程主要包括三个步骤：首先将指静脉图像划分为相同大小的局部块,使用传统的指静脉特征提取方法如LBP在每个局部块内提取局部手指静脉基特征；然后对这些局部指静脉特征进行聚类,得到的聚类中心就是指静脉基元即FVT,作为聚类中心,每一个FVT非常具有代表性能够表示与之相似的所有局部静脉特征,将这些FVT集合起来构成FVT词典；最后,通过词典映射的方法将每个局部块映射为与之最近的FVT,构成FVT图(Finger Vein Textons Map,简称FVTM),这样每幅手指静脉图像就可以用FVTM表示。传统的BoW是对整幅图像视觉单词出现频率的统计,缺乏空间信息,为了更好地描述指静脉特征,本文将使用空间金字塔来获取空间布局信息。Lazebnik et.al提出了空间金字塔匹配(Spatial Pyramid Matching, SPM)的方法,并将其成功地用于自然场景识别中。受SPM启发,我们将其应用到指静脉识别中来,提出了一个新的基于空间金字塔匹配核的指静脉识别方法。该方法在获得鲁棒的静脉特征的同时,还能获得指静脉的空间布局信息,从而更充分的表示指静脉图像。此外,通过分析FVTM特征,我们发现两个有趣的现象：(1)一般来说,一根手指会采集多幅指静脉样本,每一幅指静脉样本都要提取FVTM特征,通过对应局部块的比较,我们发现同一根手指样本间的FVT号有很多是一致的。简单来讲,对于来自同一根手指的两个样本,它们获取的特征分别是FVTM1和FVTM2,在第i块处,FVTM1和FVTM2中的FVT号是相同的,这样的局部块有很多。我们将这样的块叫做最佳块。(2)不同手指的最佳块的位置以及在最佳块内的FVT号是不同的。基于以上两个现象,本文提出了一个用最佳块来进行个性化匹配的方法,叫做基于个性化最佳块图匹配的指静脉识别方法(简称PBPM),大量实验的证明该方法不仅能显著提升指静脉识别性能,还对手指的旋转平移具有较强的鲁棒性。