生物特征识别在信息安全领域发挥着重要作用,掌纹识别作为一种新型生物特征识别方式,具有低失真、非侵入性和高唯一性等优势。传统掌纹研究大多使用自然光成像系统以灰度格式获取,识别精度很难进一步提升。为了获得更多的身份鉴别信息,利用多光谱掌纹图像代替自然光掌纹图像,根据不同波长的光谱对皮肤的吸收和反射率不同,捕获每个波段中特定和互补的掌纹特征。因此,本文探讨了基于多光谱图像的掌纹融合识别方法。1.针对传统多光谱掌纹识别方法无法达到实际应用场景需求的问题,提出了一种结合注意力机制的改进残差网络（IRCANet）用于融合掌纹图像分类。在网络中引入分阶段残差结构,缓解了网络在不断加深时面临的退化问题,并且能够在学习过程中减少信息的丢失。为了使网络关注更多区分性信息,利用特征通道间的相互依赖性,在分段残差结构中引入了注意力机制。实验结果表明,IRCANet在对多光谱掌纹融合图像分类的任务上具有良好的性能,在基于小波变换的融合策略下识别准确率能够达到97.15%。2.针对传统多光谱掌纹融合策略纹理细节易丢失的问题,提出了基于多尺度分解的多光谱掌纹融合识别算法,通过快速自适应二维经验模式分解（FABEMD）提取多光谱掌纹中的显著特征。考虑到近红外光谱图像对光照变换敏感,对分解后的近红外掌纹图像进行背景重建及特征细化,在对背景冗余信息进行平滑处理的同时有效增强高频信息的特征表达。为避免融合图像过度曝光问题,提出对近红外特征进一步压缩后再加权融合。最终融合图像经过IRCANet分类后的识别准确率能够达到99.67%,验证了算法的有效性。3.针对多光谱掌纹识别在极端环境中面临的干扰问题,提出了基于自适应极限学习机的掌纹融合识别方法。通过基于密度引导的策略动态生成每个谱段的贡献权重,针对传统极限学习机泛化能力较弱的问题,改进了参数优化目标,并将多光谱融合过程整合至改进后的ELM中进行动态融合识别,利用光谱加权预测综合确定掌纹对象身份。在添加高斯噪声、椒盐噪声、光照不均、部分遮挡四类噪声后,主要评价指标平均识别准确率能达到98.26%、99.71%、96.94%、97.76%,其余各项指标均验证算法对噪声多光谱掌纹图像良好的鲁棒性及泛化能力。