随着当今经济和信息技术的快速发展,如何有效地提升公民身份信息安全显得尤其重要。掌静脉识别技术是一种安全性高、防伪性高的生物特征识别技术,在未来将会有广阔的应用空间。然而,目前的掌静脉识别算法大都基于人工设计的特征进行识别,这些特征的鲁棒性不高,对图像质量以及手掌姿态等较为敏感;而且,目前掌静脉识别的研究普遍基于接触式设备采集的图像进行,对非接触式掌静脉识别的研究较少。非接触方式采集的掌静脉图像往往具有较大的形变,如手掌弯曲、手掌倾斜或者手掌过度伸展等,而且光照也不够均匀,因此具有更高的识别难度。但与接触式相比,非接触式的采集方式具有更好的用户体验,其应用前景更加广阔。针对上述问题,本文采用了深度学习方法,对非接触式掌静脉识别过程中的手掌关键点定位问题和掌静脉图像的特征提取问题进行研究,取得了较好的提升效果。本文的主要研究内容如下:1)针对传统算法难以对非接触式手掌图像的关键点进行准确定位的问题,本文提出采用深度学习的方法进行手掌关键点定位,设计了两级卷积神经网络级联来定位手掌关键点;并且为了提高手掌关键点定位的精确度,对MSE损失函数进行改进,提出了Modified MSE Loss进行训练,有效地提升了手掌关键点的定位精度;2)针对非接触式掌静脉数据库样本较少,训练神经网络容易产生过拟合的问题,提出了类内扩增数据和类间扩增数据的方法,有效地扩充了原始数据库,为后续掌静脉特征提取网络的训练提供了数据支撑;3)对经典分类神经网络结构的设计原理进行分析后,自行设计了两个深层特征提取网络Resnet18-Modified和VGG16-Modified,并对Resnet18网络的Residual Block模块结构进行改进,实验结果证明了改进后的Residual Block模块可以有效地提升识别精度;另外,探索了不同特征向量维度对识别精度的影响,实验证明,在大型深层网络上,512维的特征向量精度最高,而在轻量级网络上,256维的紧凑型特征向量精度更高;4)针对传统深层神经网络参数量大,计算耗时长的问题,本文设计了一个轻量级网络TinyPVNet,主要采用深度可分离卷积结构,有效地降低了网络参数量和模型推理时间,并在CASIA数据集上取得了0.51%的等误率;另外,本文还对轻量级网络TinyPVNet进行了模型量化,有效地压缩了模型体积,从而能够将轻量级网络部署在嵌入式等计算资源受限的平台上。