随着社会经济信息化程度提高和国民信息安全意识增强,以生物特征识别为技术基础的身份认证和识别受到越来越多地关注。借助深度学习技术的发展,新兴的指静脉识别技术以其高安全性,高亲和性以及独具的活体检测等特点,得到了包括出入境管理,金融服务、电子商务,信息安全等高安全需求场合的认可和应用。然而,现有的指静脉研发和应用中存在的数据样本缺乏和手指轴向旋转这两个问题,严重限制了指静脉深度学习算法的准确性和鲁棒性。另外,现有系统中指静脉识别与防伪任务分别使用独立的算法模型进行处理,这种方式降低了系统的效率和实时性。针对上述问题,本文首先采用对抗生成网络进行数据扩增,利用生成样本提升指静脉识别性能,并在此基础上从指静脉识别与防伪任务一体化的角度进一步深入研究。本文的主要工作如下:首先,受数据规模少以及手指轴向旋转样本缺乏的影响,当前指静脉识别中深度神经网络模型的识别准确率以及泛化性能难以进一步提升。为此,本文提出一种基于对抗生成网络的数据生成方法,从类间样本和类内旋转样本生成的角度,针对现有的指静脉图像设计了高效的对抗模型和训练框架。本文提出的旋转样本生成模型,可以有效学习手指轴向旋转对静脉图像影响的规律,根据正常姿态下的静脉图像生成高质量样本来扩增数据,从而进一步用于现有深度模型的训练,提升算法模型的鲁棒性。另外,在指静脉识别系统中,识别与仿冒检测通常作为两个独立的子任务,为进一步提升指静脉系统的效率,本文基于深度卷积网络构建了一个识别与防伪一体化模型FVRAS-Net来同时处理两种任务。同时,利用多任务学习的方式设计一体化模型的训练框架,可以有效地将两者在特征提取阶段进行统一。本文设计的模型可以同时对识别样本和防伪样本进行特征提取,在有效保证其识别和防伪性能的同时,提升了指静脉系统的效率与实时性。最后,为了有效评价本文提出的多种算法模型的性能,本文在多个公开数据集以及自建数据集上进行了充分实验。最终结果表明,对抗模型生成的类间和类内旋转样本可以有效提升识别准确率和对旋转样本的鲁棒性。同时,本文提出的防伪与识别一体化模型在SCUT自建数据库上防伪率达到100%,等误率达到2.1%,优于其他现有算法。另外本文提出的防伪识别一体化模型已部署在嵌入式系统上,证明了本文算法的可行性。