纸币荧光纤维是纸币的一项关键防伪技术,对纸币鉴伪有着重要的意义。目前普遍采用的纸币鉴伪识别方式主要有针对:纹理特征、红外特征和紫外荧光特征。其中紫外荧光特征中的荧光纤维是在纸币造纸过程中被随机撒入,利用其鉴伪准确率高,可靠性强。本文按照“以真鉴假”,即“不是真币就是假币”的思想,以纸币荧光纤维图像为对象,转换为荧光纤维点云数据,构建了一种点云分类深度学习网络模型,实现了纸币荧光纤维图像的分类;设计了纸币荧光纤维验证实验,有效实现利用荧光纤维对纸币进行鉴伪。具体的研究内容如下:（1）利用图像平滑、形态学处理等方式平滑荧光纤维图像的水印噪声,构建荧光纤维点云自有数据集。在紫外光源下采集纸币荧光纤维图像,将图像分割为400*400的局部图,保存构建成纸币荧光纤维图像数据集,共4601张纸币荧光纤维图像。选取图像平滑、形态学处理等合适的方法对纸币荧光纤维图像进行预处理操作,有效去除水印等噪声,将纸币荧光纤维图像中的纤维分割出来,构建荧光纤维数据集。再将荧光纤维的像素坐标提取出来转换成点云,清洗数据,去掉空白图像,构建荧光纤维点云数据集。（2）在点云分类网络模型Point Net的基础上,设计基于K-NN算法的动态更新图卷积模块,同时融合哈特莱转换引入并行池化通道,构建了一种点云数据分类深度学习网络模型。在提取局部特征时,基于K-NN算法和图卷积思想,设计了动态更新图卷积模块,解决了网络将点云中目标采样点当作独立点的问题,增强网络对整个点云数据拓扑结构的学习;同时在提取全局特征时,设计哈特莱转换双通道并行池化模块,克服了传统池化方式获得单一信息的缺陷。通过公共数据集及对比实验证明,在点云分类任务上,该模型的平均分类精度和总体分类精度分别提高了6个百分点和2.6个百分点。（3）结合数据增强及KD-Tree检索算法,设计了一种利用纸币荧光纤维进行鉴伪的方法。为更加符合实际应用背景,利用数据增强随机减少纸币荧光纤维图像中的纤维数量生成3张虚拟图像样本,模拟纸币在实际流通过程中对荧光纤维的损耗,利用本文网络模型进行对真币假币进行分类;再利用KD-Tree检索算法进行准确性验证,最终表明准确率为99.92%,证明该方法的有效性和可靠性。