虹膜识别是指根据人眼虹膜丰富的纹理信息进行个体身份识别,其中虹膜纹理的特征提取及编码建模是识别算法的关键。鉴于卷积神经网络具备强大的特征学习能力,并在多个计算机视觉任务中得到成功应用,本文基于深度卷积特征和序度量建模方法设计了两种具有高识别率和鲁棒性的虹膜识别算法,并将算法在移动端完成部署。首先,不同于现有的使用全连接层捕捉虹膜纹理全局信息的工作,本文提出采用卷积神经网络的卷积层特征建模虹膜纹理的局部特性和形变,并通过对卷积特征进行序度量建模获得鲁棒性强、计算高效的二值化虹膜编码(ConvOM)。为了适合小规模的虹膜数据集本文设计了两个参数量少的轻量级网络架构,网络的设计还以更大空间尺寸的特征图为准则以便于捕捉更局部的虹膜纹理信息并生成更多的特征。其次,受图像分类任务中将传统特征建模方法嵌入神经网络进行端到端训练的工作的启发,本文提出了基于序度量结构层嵌入网络的端到端识别方法(NetConvOM)。在卷积神经网络的卷积层后嵌入序度量建模并通过三元组损失函数进行端到端训练可以实现特征学习和特征建模的联合优化。在三个常用的虹膜图像数据集上的实验结果表明本文的ConvOM比传统的识别算法有更好的性能表现,特别是在图像质量较差的非理想场景下。充分利用深度学习强大学习能力的NetConvOM在其对应的ConvOM基础上取得进一步的性能提升,表明了特征学习和特征建模联合优化的重要性。基于上述的研究工作,本文开发了运行在智能手机上完整的虹膜识别应用,具备用户注册和识别功能。为在计算资源有限的移动设备上快速完成网络的前向推理,本文基于深度可分离卷积开展神经网络压缩和加速的研究。改进所得的网络在参数量和计算代价都大幅减少,实际测试中取得4倍的加速效果并且保持识别准确率不变。