随着人们信息安全意识的增强,生物特征识别受到越来越多的关注。其中,新兴的指静脉识别技术以其独特的活体检测能力更是得到了研究人员的特别关注,同时指静脉识别产品以其高安全性,高亲和性,高精度以及设备小型化等特点开始得到安防市场的认可。然而,在实际应用中,用户手指的自由度较高,使得系统采集到的指静脉图像会发生纹路形变和平移等问题,从而导致系统识别性能降低,特别是由于手指轴向旋转引起的识别性能急剧下降的问题一直是该领域一个具有挑战性的难题。为此,本文针对该问题进行深入研究,从多个角度探索解决手指轴向旋转问题的方法,与现有的研究相比,本文的贡献在于:第一,提出了一种新的指静脉轴向旋转校正方法。通过对轴向旋转问题的研究和分析,本文发现轴向旋转会引起指静脉纹路的形变和平移,同时会造成背景亮度分布的变化,以及静脉图像两侧部分纹路的此消彼长。进一步,通过对小角度轴向旋转情况下静脉纹路形变和平移对最终识别性能的影响分析发现,静脉纹路平移是导致系统识别精度下降的主要因素。为此,本文针对性地提出了一种基于指静脉纹路梯度的旋转校正方法,实验证明这种方法可以有效缓解手指轴向旋转带来的影响。第二,提出了一种具备抗旋转能力的软生物特征。通过分析指静脉图像中包含的特征信息,我们发现指静脉图像不仅包含指静脉纹路信息,同时还包含由手指之间存在的生理组织差异所形成的背景亮度分布信息。与纹路信息相比,背景亮度分布信息受手指轴向旋转的影响较小,因此本文设计了一种基于背景亮度分布信息的软生物特征提取方法,该方法先从指静脉图像中提取背景层图像,再利用背景层中的统计信息描述背景的亮度变化。实验证明将这种软生物特征与主特征融合后可缓解轴向旋转对识别性能的影响。第三,提出了一种匹配主特征和软生物特征的混合匹配方法。由于主特征和软生物特征存在维数以及特征量级上差异,因此在匹配阶段需采用不同的匹配方法以获得更好的结果。对于维数较高的主特征采用支持向量机(SVM)进行匹配,而对于维数较低的软生物特征,则使用曼哈顿距离进行匹配,最后将二者加权融合进行决策。该混合匹配方法一方面可以通过SVM训练得到较复杂的分类面,从而实现对主特征更加准确的分类,另一方面充分利用曼哈顿距离具有的计算复杂度较低的特点,从而更适合用于匹配维数较低的软生物特征。最后,本文的方法在FV-USM,MMCBNU和SDUMLA数据库上的等误率分别为0.216%,0.827%和0.712%。该结果证明本文提出方法不仅能提高系统的识别性能,同时还能有效提升系统的抗旋转能力,从而在很大程度上解决了手指轴向旋转引起的识别性能急剧下降的问题。